A Framework for Decision-Theoretic Planning I: Combining the Situation Calculus, Conditional Plans, Probability and Utility
University of British Columbia（不列颠哥伦比亚大学）
本文展示了我们如何将行动的逻辑表示和决策理论以一种对两者来说都很自然的方式结合起来。特别是，我们假设一个公理化的域的情况演算，使用什么基本上是赖特的解决方案的框架问题，在完成的公理定义的状态变化。不确定性是根据独立选择逻辑来处理的，独立选择逻辑允许独立的选择和给出选择结果的逻辑程序。作为结果的一部分，是（最终）状态效用的规范。机器人采用机器人计划，类似于GOOGLE程序设计语言。在这个逻辑中，我们可以根据行动、不确定性和效用的公理化来定义条件计划的预期效用。什么？规划问题就是要找到期望效用最高的方案。这与POMDPs最近的结构化表示有关;在这里，我们使用随机情景演算规则来指定状态转移函数和奖励/价值函数。最后，我们表明，与随机框架公理，行动表示在概率BCPPS是指数大于使用这里提出的表示。
2013-02-13 cs.AI
Situation Calculus by Term Rewriting
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
一个版本的情况演算中的情况表示为一阶项。流利度可以从术语结构中计算出来，并且对情境的动作对应于对术语的重写规则。在某些情况下，仅依赖于或影响流畅度子集的动作可以被描述为对术语的子术语进行操作的重写规则。如果行动是双向的，那么有效的完成方法可以用来解决规划问题。这种情况和行动的表示与Thielscher \cite{Thielscher98}的流畅演算最相似，只是这种表示更灵活，并且更多地使用了子项结构。给出了一些例子，并提出了一些一般的方法来构造这样的重写规则集。本文于2019年12月23日提交给FSCD 2020。
2020-06-30 cs.AI cs.LO
A Situation Calculus-based Approach To Model Ubiquitous Information Services
提出了一种基于增强情境演算的泛在信息服务自主计算模型。为了使其实用的商业开发和更容易支持无处不在的信息服务所施加的自治范式，我们在Reiter的标准情境演算的基础上进行了改进。首先，我们探讨了流与演化的内在联系：由于并非所有流都对系统的演化有贡献，而且某些流可以由另一些流导出，因此，我们将那些足以决定系统演化势的流定义为决定流，并证明了决定流的后继状态满足马尔可夫性质。然后，在我们建立的演算框架内，我们引入有效性理论来模拟具有特定应用有效性要求的自治服务，包括：有效性流来公理化有效性要求，启发式的多个替代服务选择，从完全接受，部分接受，完全拒绝，和有效性保证的政策，将这些替代服务选择组成有机的，可计算的服务。我们的方法是证明了一个无处不在的服务，ACS，在整个文件。
2004-04-02 cs.AI cs.HC
A Counterfactual Cause in Situation Calculus
State Key Laboratory for Novel Software Technology \& School of Artificial Intelligence, Nanjing University, China School of Informatics, The University of Edinburgh, UK
本文提出基于反事实分析的原因概念，扩展到成就原因，并分析其与Batusov和Soutchanski的成就原因及Halpern和Pearl的实际因果性理论的关系。
2026-07-24 cs.AI
Robot Location Estimation in the Situation Calculus
University of Toronto（多伦多大学）
位置估计是机器人应用中的基本传感任务，其中世界是不确定的，并且传感器和执行器是有噪声的。大多数系统对状态变量之间的依赖关系做出各种假设，特别是关于这些依赖关系如何作为操作的结果而改变。本文基于巴克斯、哈尔彭和莱维斯克关于情境演算中置信度推理的一般框架，以及最近对连续域的扩展，我们使用一个例子说明了在存在丰富的行动理论的情况下的位置估计。我们还表明，虽然行动可能会影响先验分布在非标准的方式，适当的后验信念，但作为一个整体规范的副作用。
2014-02-28 cs.AI cs.LO
Decidable Reasoning About Time in Finite-Domain Situation Calculus Theories
RWTH Aachen University（亚琛工业大学）；University of Oxford（牛津大学）；TU Wien（维也纳工业大学）
本文针对情境演算中基于实值时间函数的时间推理不可判定问题，提出引入时钟作为受限实值流，从而证明有限域基本动作理论的可达性可判定，并应用于Golog程序实现。
2026-10-14 cs.AI cs.LO
Validating Generalist Robots with Situation Calculus and STL Falsification
Key Laboratory of Software System, ISCAS, China（软件系统重点实验室，中国）；Carl von Ossietzky Universität Oldenburg, Germany（奥尔登堡卡尔·冯·奥西特齐大学，德国）
本文提出结合情况演算和STL反例检验的两层框架，用于验证通用机器人，通过抽象推理和具体模拟揭示失败案例，提升机器人自主性验证效果。
2026-01-06 cs.AI cs.RO
Reasoning about Noisy Sensors and Effectors in the Situation Calculus
与一个不完全已知的世界交互的智能体需要能够推理其行为的影响，并且为了获得关于该世界的进一步信息，他们需要使用某种传感器。不幸的是，动作的效果和从传感器返回的信息都容易出错。为了应对这种不确定性，智能体可以保持对世界状态的概率信念。有了概率信念，智能体将能够量化其行动的各种结果的可能性，并能够更好地利用从其易出错的行动和传感器收集的信息。在本文中，我们提出了一个模型，在该模型中，我们可以推理代理的概率程度的信念和这些信念的变化方式，作为各种行动的执行。我们建立在一个一般的逻辑理论的行动开发的赖特和其他人，形式化的情况演算。我们提出了一个简单的公理化，捕捉代理的信念状态和这些信念的方式改变时，执行的行动。我们的模型显示了一些直观合理的属性。
1998-09-09 cs.AI cs.LO
Abstraction of Nondeterministic Situation Calculus Action Theories -- Extended Version
Ronin Institute（罗宁研究所）；University of Oxford（牛津大学）；York University（约克大学）
基于非确定性情境演算和ConGolog，提出一个通过细化映射连接抽象与具体动作理论的智能体行为抽象框架，支持策略推理与综合，并证明了抽象层面的强FOND计划可细化为具体层面的有效计划。
2023-05-20 cs.AI cs.LO
cc-Golog: Towards More Realistic Logic-Based Robot Controllers
现实领域中的高级机器人控制器通常处理并发操作的过程，不断改变世界，并且其中动作的执行是事件驱动的，如“电压电平一低就给电池充电”。虽然基于非逻辑的机器人控制语言非常适合表达这样的场景，但当以一种明显的方式投影世界如何在执行动作时演变时，它们表现得很差。另一方面，像\congolog这样的基于逻辑的控制语言，基于情境演算，非常适合后者。但是，它在表达事件驱动的行为时存在问题。在本文中，我们将展示如何克服这些问题，首先扩展的情况演算，以支持连续变化和事件驱动的行为，然后提出\ccgolog，一个变种的\congolog，这是基于扩展的情况演算。\ccgolog的一个好处是，与非基于逻辑的控制语言相比，它缩小了表达能力的差距，同时保留了语义上良好的投影机制。
2000-03-08 cs.AI
Logic, Probability and Action: A Situation Calculus Perspective
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
逻辑和概率的统一是人工智能中长期关注的问题，更广泛地说，是科学哲学中的问题。从本质上讲，逻辑提供了一种简单的方法来指定必须在每个可能世界中保持的属性，概率允许我们进一步量化必须满足属性的世界的权重和比例。为此，已经进行了许多开发，最终提出了诸如概率关系模型之类的建议。虽然这一进展是值得注意的，一个通用的一阶知识表示语言的原因概率和动态，包括在连续设置，仍然是出现。在本文中，我们调查最近的结果有关集成的逻辑，概率和行动的情况演算，这可以说是最古老和最知名的形式主义之一。然后，我们探讨减少定理和编程接口的语言。这些结果是在认知机器人的背景下（正如Reiter和他的同事所设想的那样）为了具体化而产生的。总的来说，证明这种通用语言的结果的优点是，可以使它们适应任何特殊用途的片段，包括但不限于流行的概率关系模型。
2020-06-17 cs.AI cs.LG cs.LO
Abstracting Situation Calculus Action Theories
IGDORE；University of Oxford（牛津大学）；Sapienza University of Rome（罗马第一大学）；York University（约克大学）
本文基于情境演算与ConGolog提出智能体抽象框架，通过细化映射和互模拟定义可靠/完全抽象，并给出验证条件与约束，使高层推理可细化到低层执行，同时支持对低层行为的高层跟踪与解释。
2024-10-09 cs.AI cs.LO
A Logical Semantics for PDDL+
York University（约克大学）；Ryerson University（瑞尔森大学）
PDDL+是PDDL2.1的扩展，它包含了全功能的自治过程，并允许更好地建模混合离散-连续域。与PDDL2.1不同，PDDL+缺乏逻辑语义，而是依赖于状态转换语义，并为连续状态提供了混合自动机语义。这种复杂的语义使得分析和比较其他动作形式主义困难。在本文中，我们提出了一个自然的扩展赖特的情况演算理论的启发混合自动机。PDDL+和混合自动机之间的亲属关系，使我们能够开发一个直接的映射PDDL+和情况演算，从而提供PDDL+的逻辑语义和情况演算与现代方式表示自治进程。我们概述了映射的潜在好处，提出了一种新的方法来有效规划PDDL+。
2021-11-23 cs.AI cs.LO
Logical foundations of Smart Contracts
School of Electrical Engineering；Computer Science University of Ottawa Ottawa, Canada
针对智能合约实现需复杂形式化方法的问题，提出以情景演算为逻辑基础，用其衍生语言Golog实现智能合约，以解决动态复杂系统的形式化描述难题。
2025-02-13 cs.AI cs.LO
Hybrid systems modeling for gas transmission network
输气管网是一个复杂的大系统，相应的设计和控制问题具有挑战性。在本文中，我们认为这些系统在危机情况下的控制和管理的问题。我们提出了这些网络的混合系统框架，提供所需的分析模型。此外，我们还讨论了使用计算离散和混合优化方法的决策。特别是，几个强化学习方法被用来探索决策空间，并实现在特定的危机情况下的最佳政策。仿真结果表明了该方法的有效性。
2012-09-28 cs.AI
A Hybrid Neuro-Symbolic Approach for Complex Event Processing
Cardiff University（卡迪夫大学）；University of California, Los Angeles（加州大学洛杉矶分校）；CCDC Army Research Laboratory（陆军研究实验室）；University of Brescia（布雷西亚大学）
训练一个模型来检测形成感兴趣的情况的相关事件的模式可能是一个复杂的问题：这种情况往往是不常见的，只有稀疏的数据可用。我们提出了一种基于事件演算的混合神经符号架构，可以执行复杂事件处理（CEP）。它利用神经网络来解释输入和表达复杂事件模式的逻辑规则。我们的方法能够使用比纯神经网络方法少得多的标记数据进行训练，并且即使在以端到端的方式进行训练时也能够学习对单个事件进行分类。我们将我们的方法与基于Urban Sounds 8 K的数据集上的纯神经网络方法进行了比较。
2020-10-13 cs.AI
Planning as Theorem Proving with Heuristics
Toronto Metropolitan University（多伦多都会大学）
本文提出一种基于情境演算和A*搜索的定理证明提升启发式规划器，虽速度较慢但能生成更短计划并探索更少状态，证明该方法是可行的。
2023-06-20 cs.AI cs.LO
On the Semantics of Primary Cause in Hybrid Dynamic Domains
University of Regina（里贾纳大学）
本文在混合行动理论框架下提出了两种初级原因的定义，通过贡献形式化因果关系，并证明其等价性。
2026-02-16 cs.AI
Finding the unicorn: Predicting early stage startup success through a hybrid intelligence method
University of Kassel（卡塞尔大学）；SAP SE（SAP公司）；University of St. Gallen（圣加仑大学）
人工智能是一个新兴的话题，很快就能比人类更好地执行决策。然而，在创新等更复杂和更具创造性的环境中，问题仍然是机器是否优于人类。机器在两种情况下会失败：处理和解释软信息（无法量化的信息），以及在极端不确定的不可知风险情况下进行预测。在这种情况下，机器没有特定结果的代表性信息。因此，人类仍然是评估软信号和利用直觉的黄金标准。为了预测创业公司的成功，我们将人类和机器的互补能力结合在混合智能方法中。为了实现我们的目标，我们遵循设计科学研究方法来开发一种混合智能方法，该方法结合了机器和集体智能的力量，以证明其在极端不确定性下的预测效用。
2021-05-07 cs.AI cs.HC
A Translation of Probabilistic Event Calculus into Markov Decision Processes
University College London（伦敦大学学院）；Università del Salento（萨勒诺大学）
本文提出将概率事件演算（PEC）形式化转换为马尔可夫决策过程（MDP）的方法，通过引入动作执行情境保留PEC的灵活语义，使MDP的算法工具可应用于PEC叙事领域，并支持将学习策略映射回可解释的PEC表示。
2025-07-17 cs.AI cs.LO
Hybrid Repeat/Multi-point Sampling for Highly Volatile Objective Functions
University of Colorado（科罗拉多大学）
当前这一代人工决策者的一个主要缺点是，他们不能很好地适应意外情况的变化。本文讨论的情况下，一个用于空中斗狗的人工智能，与可调参数，控制其行为，将优化行为相对于一个目标函数，必须通过模拟评估和学习。一旦这个目标函数被建模，智能体就可以在不同的情况下选择它想要的行为。使用带有高斯过程代理的贝叶斯优化作为研究目标函数的方法。一个关键的好处是，在优化过程中，高斯过程学习真实目标函数的全局估计，预测结果和尚未研究的领域的统计置信度。然而，标准的贝叶斯优化不能一致地执行，或者不能为高度不稳定的目标函数提供准确的高斯过程替代函数。我们对待这些问题，通过引入一种新的采样技术，称为混合重复/多点采样。这种技术使AI能够在高度不确定的环境中学习最佳行为。更重要的是，它不仅提高了优化的可靠性，而且还创建了整个目标表面的更好模型。有了这个改进的模型，智能体可以更好地适应行为。
2016-12-13 cs.AI cs.LG cs.RO
