Heuristics for Planning, Plan Recognition and Parsing
Universitat Pompeu Fabra(庞培法布拉大学);ICREA(加泰罗尼亚研究与高级研究院)
在最近的一篇论文中,我们已经表明,计划识别的CNOPS可以制定和解决使用经典的规划原理和算法。在这项工作中,我们表明,这一提法纳入了标准的制定计划识别图书馆通过编译库到CNOPS理论。库对应于可以是循环的并且其中AND节点的子节点可以是部分排序的AND/OR图。这些库包括作为特殊情况的上下文无关文法,其中计划识别问题变成了缺少标记的解析问题。在标准库上的规划识别成为任何现代规划者都可以轻松解决的规划问题,而在更复杂的库上的识别,包括上下文无关文法(CFG),说明了当前规划算法的局限性,并提出了可能与其他规划问题相关的改进建议。
2016-05-22 cs.AI
A New Model of Plan Recognition
Honeywell Technology Center(霍尼韦尔技术中心)
我们提出了一个新的溯因,概率理论的计划识别。这个模型不同于以前的计划识别理论,它以计划执行模型为中心:以前的大多数方法都是基于计划作为正式对象或基于描述识别过程的规则。我们表明,我们的新模型占大多数以前的计划识别理论忽略的现象:特别是一系列的观察部分有序,交错的计划和计划采用的上下文的效果的累积效应。该模型还支持在另一个代理干预计划执行的情况下,计划执行的演变的推论。此功能为使用计划识别来构建智能地帮助用户的系统提供支持。
2013-01-23 cs.AI
Probabilistic Evaluation of Sequential Plans from Causal Models with Hidden Variables
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Harvard University(哈佛大学)
本文涉及的概率评估的计划存在不可测的变量,每个计划由几个并发或顺序的行动。我们建立了一个图形化的标准识别时,一个给定的计划的影响可以预测被动观测测量变量。当满足该标准时,提供了计划将实现指定目标的概率的封闭形式的表达式。
2013-02-20 cs.AI
Landmark-Based Approaches for Goal Recognition as Planning
Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德天主教大学);University of Aberdeen(阿伯丁大学)
通过使用自动规划技术,可以有效地完成从缺失和完整的观察中识别目标和计划的任务。在许多应用中,不仅要准确而且要快速地识别目标和计划。为了应对这一挑战,我们开发了新的目标识别方法的基础上规划技术,依赖于规划地标。在自动规划中,地标是实现目标时无法避免的属性(或动作)。我们展示了一些规划技术的适用性,重点是目标和计划识别任务的地标在两种设置:(1)我们使用地标的概念来开发目标识别算法;(2)我们开发了一种基于地标的过滤方法来改进现有的基于规划的目标和计划识别方法。这些识别方法在几个经典的规划领域的实验经验评估。我们表明,我们的目标识别方法不仅可以获得与其他最先进的技术相当的准确性(通常高于其他最先进的技术),而且比这些技术的识别时间更快。
2019-05-23 cs.AI
Power Quality Event Recognition and Classification Using an Online Sequential Extreme Learning Machine Network based on Wavelets
降低系统可靠性和提高维护成本可能是电力质量差的后果,这可能会干扰设备的正常性能,加速老化,甚至导致彻底的故障。本研究实作并测试一个以小波为基础的线上序列极端学习机(OS-ELM)分类器原型,以侦测暂态条件下的电能质量问题。为了建立分类器,OSELM网络模型和离散小波变换(DWT)方法相结合。首先,利用离散小波变换(DWT)的多分辨率分析(MRA)提取失真信号在不同分辨率下的特征。OSELM然后通过瞬态持续时间和能量特征对检索到的数据进行分类,以确定干扰的类型。该方法可以在不改变信号原始质量的前提下,最大限度地减少大量失真信号的特征量,从而节省了存储空间和处理时间。使用几种类型的瞬态事件来证明分类器检测和分类各种类型的功率扰动的能力,包括暂降、暂升、瞬时中断、振荡瞬态、谐波、缺口、尖峰、闪烁、暂降暂升、暂降损害、暂升转换、暂降尖峰和暂升尖峰。
2022-12-27 cs.AI cs.LG eess.SP
Partial-Order, Partially-Seen Observations of Fluents or Actions for Plan Recognition as Planning
School of Computing(计算学院);Entertainment Arts and Engineering Program(娱乐艺术与工程系);University of Utah(犹他大学)
这项工作的目的是通过调整以前的汇编,使计划识别为规划更适合现实世界的情况下,工作与偏序,半看到两个流利的和行动的观察。我们首先要重新定义观测可以是什么,以及满足每一种观测意味着什么。然后,我们提供了一个汇编从计划识别问题的经典规划问题,类似于原来的工作拉米雷斯和格夫纳,但容纳这些更复杂的观察类型。该编译可以适应于其他基于规划的计划识别技术。最后,我们评估这种方法对“忽略复杂性”的策略,使用原始的方法由拉米雷斯和格夫纳。我们的实验结果表明,虽然速度较慢,但我们的方法与基线方法一样或更准确;我们的技术有时会显着减少计划识别问题的解决方案的大小,即最佳目标集的大小。我们讨论了这些发现的背景下,计划识别问题的难度,并提出了一个途径,为今后的工作。
2019-11-14 cs.AI
The Automated Mapping of Plans for Plan Recognition
The University of Michigan(密歇根大学)
为了与环境中的其他代理进行协调,代理需要其他代理正在尝试做什么的模型。当通信是不可能的或昂贵的,这些信息必须通过计划识别间接获取。典型的计划识别方法从其他智能体可能遵循的可能计划的规范开始,并开发特殊的技术来区分各种可能性。也许更可取的是一个统一的程序,将计划映射到支持基于不确定和不完整观察的推理的一般结构。在本文中,我们描述了一套方法,用于将以灵活的过程语言表示的计划转换为以概率信念网络表示的观察模型。
2013-02-27 cs.AI
Probabilistic State-Dependent Grammars for Plan Recognition
Information Sciences Institute(信息科学研究所);Artificial Intelligence Laboratory(人工智能实验室);University of Southern California(南加州大学);University of Michigan(密歇根大学)
不确定性下的计划识别技术需要一个随机模型的计划生成过程。我们引入概率状态依赖文法(PSDGs)来表示代理的计划生成过程。PSDG语言模型扩展了概率上下文无关文法(PCFG),允许生产概率依赖于一个明确的模型规划代理的内部和外部状态。给定计划生成过程的PSDG描述,然后我们可以使用推理算法,利用PSDG语言的特定独立属性来有效地回答计划识别查询。PSDG语言模型和推理算法的组合扩展了计划识别领域的范围,对于该领域,实际的概率推理是可能的,如交通监控和空战中的应用所示。
2013-01-16 cs.AI
Session Analysis using Plan Recognition
Ben-Gurion University of the Negev(内盖夫本-古里安大学);PayPal(贝宝)
本文介绍了我们的工作与一家主要的金融公司,在那里我们试图使用计划识别的方法,以调查客户与公司的在线界面的相互作用的初步结果。在本文中,我们提出了第一步,在现实世界中的应用程序集成的计划识别算法,用于检测和分析客户的相互作用。它使用了一种新的方法来从基本的UI数据中进行计划识别,该方法在最低识别级别上对计划库进行推理,以定义我们领域中动作的相关性,然后使用它来执行计划识别。我们提出了由该公司的领域专家建模的三种不同用例的初步推断结果,并表明这种方法能够减少分析师评估客户会话所需的信息过载-无论这是恶意还是良性会话,预期的任务是否完成,如果没有-下一步预期采取什么行动。
2017-06-20 cs.AI
Lifted Sequential Planning with Lazy Constraint Generation Solvers
University of Melbourne(墨尔本大学);Monash University(莫纳什大学)
提出基于LCG的无实例化提升因果CP编码及传播子,用于序列经典规划,在少步骤实例上达到最优规划先进水平。
2023-07-17 cs.AI
Landmark-Based Plan Recognition
Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德州天主教大学)
使用行动执行的不完整证据识别目标和计划可以通过使用规划技术有效地完成。在许多应用中,不仅要准确而且要快速地识别目标和计划。在本文中,我们开发了一种启发式的方法来识别计划的基础上规划技术,依赖于排序约束过滤候选目标的观察。这些排序约束在规划文献中被称为地标,它们是实现目标无法避免的事实或行动。我们展示了规划地标在两种环境中的适用性:第一,我们直接使用它来开发一个基于规划的计划识别方法;第二,我们通过预过滤其候选目标来改进现有的基于规划的计划识别方法。我们的实证评估表明,我们的方法不仅在所有可用数据集中比最先进的方法准确得多,而且速度也快了一个数量级。
2017-02-07 cs.AI
Heuristic Online Goal Recognition in Continuous Domains
Bar Ilan University(巴伊兰大学)
目标识别是根据观察到的行为推断智能体的目标的问题。一种鼓舞人心的方法-通过计划识别(PRP)-使用现成的计划器为给定的目标动态生成计划,消除了对传统计划库的需要。然而,现有的PRP制定是内在的在线识别效率低下,不能与连续空间的运动规划器。在本文中,我们利用一个不同的PRP制定,允许在线目标识别,并在连续空间中的应用。我们提出了一个在线识别算法,其中两个启发式决策点可以用来提高运行时间显着超过现有的工作。我们指定的连续域,证明他们的使用保证,并在3D导航环境和合作机器人团队任务的数百个实验经验评估算法。
2017-09-28 cs.AI
SLIM: Semi-Lazy Inference Mechanism for Plan Recognition
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
计划识别算法需要识别一个完整的层次结构,解释代理的行动和目标。虽然这种算法的输出是信息的识别器,其计算的成本是高的运行时间,空间和完整性。此外,在线执行计划识别需要观察代理对尚未看到的未来行动进行推理,并维护一组假设来支持所有可能的选项。本文提出了一种新的有效的在线计划识别算法SLIM(半惰性推理机制)。它结合了自下而上和自上而下的解析过程,允许它只实时提交最少的必要操作,但仍然提供完整的假设事后。我们从理论上和经验表明,虽然这个过程的计算成本仍然是指数级的,有一个显着的改善,在运行时间相比,最先进的计划识别算法。
2017-03-02 cs.AI
SeqNet: Learning Descriptors for Sequence-based Hierarchical Place Recognition
QUT Centre for Robotics(昆士兰科技大学机器人中心);School of Electrical Engineering and Robotics, QUT(昆士兰科技大学电气工程与机器人学院);Queensland University of Technology (QUT)(昆士兰科技大学)
视觉位置识别(VPR)是将来自相机的当前视觉图像与存储在环境的参考地图中的图像进行匹配的任务。虽然最初的VPR系统使用简单的直接图像方法或手工制作的视觉功能,但最近的工作集中在学习更强大的视觉功能,并通过某种形式的顺序匹配器/过滤器或分层匹配过程进一步提高性能。在这两种情况下,基于初始单图像的系统的性能仍然远远不够完美,对序列匹配或(在分层系统的情况下)姿态细化阶段施加了巨大的压力。在本文中,我们提出了一种新的混合系统,创建一个高性能的初始匹配假设生成器,使用短的学习顺序描述符,使选择性控制顺序分数聚合使用单个图像学习描述符。序列描述符是使用称为SeqNet的时间卷积网络生成的,使用一维卷积对短图像序列进行编码,然后将其与参考数据集的相应时间描述符进行匹配,以提供位置匹配假设的有序列表。然后,我们使用来自单独管道的入围单个图像学习描述符进行选择性顺序分数聚合,以产生整体位置匹配假设。在具有挑战性的基准数据集上进行的综合实验表明,该方法在使用相同数量的序列信息的情况下优于最近的最先进的方法。源代码和补充材料可以在https://github.com/oravus/seqNet上找到。
2021-02-24 cs.AI cs.CV cs.IR
Plan Recognition in Stories and in Life
Brown University(布朗大学)
计划识别在故事和“现实生活”中的工作方式并不相同(人们倾向于在故事中得出结论)。我们提出了一个理论,在故事(或生活中)的对象如何影响计划识别决策的特定情况下。我们提供了一个简单的一阶理论的贝叶斯网络形式化的计划,并显示一个特定的网络参数似乎是如何管理之间的差异“生活般”和“故事般”的反应。然后,我们将展示为什么这个参数会受到影响(在所需的方式)的扬声器(或作者)的主题选择模型,假设故事中的事实通常是“相关的”。
2013-03-27 cs.AI
Policy Recognition in the Abstract Hidden Markov Model
在本文中,我们提出了一种方法,用于识别代理的行为在动态,嘈杂,不确定的领域,并在多个层次的抽象。我们称这个问题在线计划识别下的不确定性,并认为它一般作为概率推理的随机过程,代表执行代理的计划。我们在本文中的贡献是双重的。在概率推理方面,介绍了一种新型的随机过程--抽象隐马尔可夫模型(AHMM),给出了其动态贝叶斯网络(DBN)的结构,并分析了该网络的性质。然后,我们描述了Rao-Blackwellised粒子滤波器的AHMM,使我们能够构建一个有效的,混合推理方法,这个模型的应用。在计划识别方面,我们提出了一个新的计划识别框架的基础上的AHMM作为计划执行模型。AHMM的Rao-Blackwellised混合推理可以利用计划执行模型中固有的独立属性,从而形成一种在线概率计划识别算法,该算法可以很好地与计划层次结构中的级别数量相匹配。这表明,虽然随机模型的计划执行可能是复杂的,他们表现出特殊的结构,如果利用,可以导致有效的计划识别算法。我们证明了有用的AHMM框架通过一个行为识别系统在一个复杂的空间环境中使用分布式视频监控数据。
2011-06-03 cs.AI
Comparative Analysis of Liquid Neural Networks and LSTM for Sequential Pattern Recognition: Robustness, Efficiency, and Clinical Utility
National Electronics and Computer Technology Center (NECTEC)(国家电子与计算机技术中心);Language Understanding Lab.(语言理解实验室)
本文通过对比液态神经网络(LNN)与LSTM在四种序列数据上的性能,发现LNN在参数效率和鲁棒性方面更优,尤其适用于数据稀疏的临床环境。
2026-05-26 cs.AI cs.CV cs.LG
On Sequential Fault-Intolerant Process Planning
Hasso-Plattner-Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所)
本文提出序贯故障不容忍过程规划问题,并针对未知成功概率的多阶段决策设计了可证明紧致的在线算法,利用多臂老虎机平衡探索与利用,实验表明专用算法优于通用算法。
2025-02-07 cs.AI
Petri Net Relaxation for Infeasibility Explanation and Sequential Task Planning
Colorado School of Mines(科罗拉多矿业学院);DEVCOM Army Research Laboratory(陆军研究实验室)
本文提出基于Petri网松弛的方法,用于提升计划更新中不可行性的检测与解释能力,同时在顺序任务规划中表现更优。
2026-02-25 cs.AI
Temporal Chunking Enhances Recognition of Implicit Sequential Patterns
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);University of Rochester(罗切斯特大学)
提出神经启发的时间分块方法,将序列压缩为离线生成的上下文标记以整合历史经验,在资源受限环境下显著提升学习效率,并初步验证了标记的跨任务迁移潜力。
2025-07-15 cs.AI cs.LG
Accounting for Context in Plan Recognition, with Application to Traffic Monitoring
University of Michigan(密歇根大学)
典型的计划识别方法从代理人的可能计划的表示开始,并从代理人的行动的观察来评估各种候选人的可行性。一个更广泛的观点的任务(与一些以前的工作相一致)占的背景下,计划生成,代理的心理状态和规划过程,以及代理的行动在世界上的后果。我们提出了一个一般的贝叶斯框架,包括这一观点,并专注于如何上下文可以利用计划识别。我们演示的方法上的一个问题,在交通监控,其目标是诱导计划的司机从观察车辆的运动。从一个模型的驱动程序如何生成计划,我们展示了如何高速公路的上下文可以适当地影响识别器的解释所观察到的司机的行为。
2013-02-20 cs.AI
Removing Planner Bias in Goal Recognition Through Multi-Plan Dataset Generation
本文提出通过多计划数据集生成减少规划偏见,引入版本覆盖分数度量目标识别器的鲁棒性。
2026-02-16 cs.AI
A Probabilistic Analysis of Marker-Passing Techniques for Plan-Recognition
Brown University(布朗大学)
无用路径是传号技术的一个长期问题。我们使用的概率分析,以证明一种方法,快速识别和拒绝无用的路径。使用相同的分析,我们确定关键条件和必要的标记传递,以执行良好的假设。
2013-03-20 cs.AI
Sequential Random Network for Fine-grained Image Classification
深度卷积神经网络(DCNN)和Transformer在图像识别方面取得了显著的成功。但它们在细粒度图像识别方面的性能仍难以满足实际需求的要求。本文提出了一种序列随机网络(SRN),以提高DCNN的性能。DCNN的输出是一维特征。这种一维特征抽象地表达了图像信息,但不能很好地表达图像的细节信息。为了解决这个问题,我们使用由BiLSTM和多个Tanh-Dropout块组成的SRN(称为BiLSTM-TDN)来进一步处理DCNN一维特征,以突出图像的细节信息。经过BiLSTM-TDN的特征变换后,识别性能得到了很大的提高。我们在六个细粒度图像数据集上进行了实验。除FGVC-Aircraft外,所提出的方法在其他数据集上的准确率均超过99%。实验结果表明,BiLSTM-TDN的性能远远优于现有的最先进的方法。除了DCNN,BiLSTM-TDN还可以扩展到其他模型,例如Transformer。
2021-06-07 cs.AI cs.CV
Perception and Semantic Aware Regularization for Sequential Confidence Calibration
South China University of Technology(华南理工大学);Guangdong University of Technology(广东工业大学);Pazhou Laboratory(琶洲实验室)
本文提出感知与语义感知的序列正则化框架,利用感知和语义相关序列及自适应校准强度缓解深度序列识别模型的过度自信问题,在场景文本和语音识别任务上取得最先进结果。
2023-05-31 cs.AI cs.CV
Understanding Human Limits in Pattern Recognition: A Computational Model of Sequential Reasoning in Rock, Paper, Scissors
Stanford Computer Science(斯坦福大学计算机科学系);Stanford Department of Psychology(斯坦福大学心理学系);Stanford Graduate School of Education(斯坦福大学教育研究生院)
本研究通过在石头剪刀布博弈中部署基于大语言模型的智能体 Hypothetical Minds (HM) 作为认知模型,揭示了人类和模型在识别复杂行为模式时的局限,发现准确的假设生成是核心认知瓶颈,且基于模型的分析能产生关于人类认知的可检验假设。
2025-07-25 cs.AI q-bio.NC
Plan-Recognition-Driven Attention Modeling for Visual Recognition
Arizona State University(亚利桑那州立大学)
人类对活动或外部代理的视觉识别涉及高级计划识别和低级感知之间的相互作用。鉴于此,一个自然的问题是:低层次的感知是否可以通过高层次的计划识别来改善?我们制定的问题,利用公认的计划,以产生更好的自上而下的注意力地图\cite{gazzaniga2009,baluch2011},以提高感知性能。我们将这些自上而下的注意力地图称为计划识别驱动的注意力地图。为了解决这个问题,我们引入了像素动态网络。像素动态网络作为一个观察模型,它预测对象点在每个像素位置的下一个状态给定的像素和像素级的动作特征的观察。这就像在内部学习像素级动态模型。像素动态网络是一种卷积神经网络(ConvNet),具有特殊的结构。因此,像素动力学网络可以利用ConvNets的并行计算,同时学习像素级动力学模型。进一步证明了像素动态网络作为观测模型与部分可观测马尔可夫决策过程(POMDP)框架中的信念更新之间的等价性。我们在事件识别任务中评估我们的像素动态网络。我们建立了一个事件识别系统,ER-PRN,它采取像素动态网络作为一个子程序,识别事件的基础上增加了计划识别驱动的注意观察。
2021-10-14 cs.AI cs.CV
LEMMo-Plan: LLM-Enhanced Learning from Multi-Modal Demonstration for Planning Sequential Contact-Rich Manipulation Tasks
School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院);Aalto University(阿尔托大学);Nanjing University (Suzhou Campus)(南京大学苏州校区);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
LEMMo-Plan提出融合人类演示中触觉与力-力矩信息的上下文学习框架,通过自举推理流水线生成任务计划,提升LLM在接触丰富顺序操作任务中的规划能力。
2025-03-10 cs.AI cs.RO
Team Plan Recognition: A Review of the State of the Art
University of Arizona(亚利桑那大学)
本文综述了团队计划识别的最新研究,重点调研了基于计划库和基于领域理论两类基于逻辑的实现方法,旨在呼吁关注该重要主题并激发未来新方向。
2023-01-30 cs.AI cs.MA
Integration of 3D Object Recognition and Planning for Robotic Manipulation: A Preliminary Report
Sabancı University(萨班哲大学)
我们研究不同的方法来整合对象识别和规划在桌面操作域与2012年RoboCup@Work比赛中使用的一组对象。我们的初步实验结果表明,与一些方法,感知和规划的紧密结合提高了计划的质量,以及可行的计划的计算时间。
2013-07-29 cs.AI cs.CV cs.RO
Process Optimization and Deployment for Sensor-Based Human Activity Recognition Based on Deep Learning
Northeastern University(东北大学);Liaoning University(辽宁大学)
针对传感器人体活动识别面临的挑战,提出基于多注意力交互的综合优化流程,结合扩散模型数据增强、多分支时空交互网络及多损失融合策略,并在三个公开数据集和嵌入式设备上验证了有效性。
2025-03-22 cs.AI cs.CV eess.SP
SeqWalker: Sequential-Horizon Vision-and-Language Navigation with Hierarchical Planning
SeqWalker通过分层规划框架解决多任务视觉-语言导航中的信息过载问题,通过高层规划减少认知负荷,低层规划利用指令逻辑结构校正轨迹误差。
2026-01-08 cs.AI cs.RO