Online Dynamic Goal Recognition in Gym Environments
Bar-Ilan University（巴伊兰大学）；Tufts University（塔夫茨大学）
针对目标识别研究中基准与评估不统一的问题，本文推出 gr-libs 与 gr-envs 两个开源框架，提供基线算法、诊断评估工具及兼容 Gym 的动态目标环境。
2025-09-27 cs.AI cs.RO
Imperfectly Cooperative Human-AI Interactions: Comparing the Impacts of Human and AI Attributes in Simulated and User Studies
Aptima, Inc.（Aptima公司）；Arizona State University（亚利桑那州立大学）；Carnegie Mellon University（卡内基梅隆大学）
研究通过模拟和用户实验比较人类和AI属性在不完全合作场景中的影响，发现AI属性，尤其是透明度，在真实用户研究中更具影响力。
2026-04-17 cs.AI cs.CL cs.CY
Object Recognition with Imperfect Perception and Redundant Description
GESMA
本文介绍了一个机器人环境下的场景识别系统。一般的问题是匹配图像的<I>先验</I>描述。一个典型的任务将包括识别一个物体的安装与视觉系统位于年底的机械手和人类操作员提供的描述，制定了一个伪自然语言，并可能是多余的。这项工作的独创性来自于描述的性质，来自于对解释过程中不精确和不确定性的管理的特别关注，以及来自于评估描述冗余的方式，以加强整体匹配的可能性。
2013-02-13 cs.AI cs.CV
Goal-Conditioned Reinforcement Learning in the Presence of an Adversary
University of Cambridge（剑桥大学）
在过去的几年里，强化学习在现实世界中的应用越来越多。然而，物理环境往往是不完美的，在模拟中表现良好的策略在其他地方应用时可能无法实现相同的性能。对付这种情况的一种常见方法是在对手面前训练特工。对手的行为会破坏智能体的稳定，智能体会学习更强大的策略，并能更好地处理现实条件。强化学习的许多现实应用也利用了目标条件：这在机器人的背景下特别有用，因为它允许代理根据选择的目标采取不同的行动。在这里，我们专注于目标条件学习的问题，在存在的对手。我们首先介绍DigitFlip和CLEVR-Play，两个新的目标条件的环境，支持对对手采取行动。接下来，我们提出了EHER和CHER -两个基于HER的目标条件学习算法-并评估其性能。最后，我们统一了两个线程，并介绍IGOAL：一个新的框架，目标条件学习的存在的对手。实验结果表明，IGOAL与EHER相结合，使代理显着优于现有的方法，当对随机和称职的对手。
2022-11-13 cs.AI cs.LG
Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；DeepMind
用于顺序决策的标准规划器（包括蒙特卡罗规划、树搜索、动态规划等）都受到一个隐含的顺序计划假设的约束：计划的构建顺序与执行顺序相同。我们考虑替代这一假设的类目标导向的强化学习（RL）的问题。而不是一个环境过渡模型，我们假设一个不完美的，目标导向的政策。这个低层次的策略可以通过一个计划来改进，该计划由一系列适当的子目标组成，这些子目标从开始到目标状态都对策略进行指导。我们提出了一个规划算法，分治蒙特卡罗树搜索（DC-MCTS），近似的最优计划，通过提出的中间子目标，分层划分的初始任务成简单的，然后独立和递归地解决。该算法批判性地利用了一个学习的子目标的建议，找到适当的分区树的新任务的基础上先前的经验。学习子目标建议的不同策略会产生严格概括顺序规划的不同规划策略。我们表明，这种算法的灵活性，规划顺序导致改进的结果，在网格世界中的导航任务，以及在具有挑战性的连续控制环境。
2020-04-23 cs.AI cs.LG stat.ML
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
LSTM-Based Goal Recognition in Latent Space
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学（PUCRS））
目标识别的方法已经逐步放宽了对领域知识和可用观测量的要求，从而产生能够识别目标的准确和高效的算法。然而，为了在原始数据中识别目标，最近的方法需要人类工程领域知识，或者解释几乎所有被观察到的行为的行为样本来推断可能的目标。这对于目标识别的现实应用来说显然是一个太强的要求，我们开发了一种方法，利用递归神经网络的进步来执行目标识别作为一个分类任务，使用编码的计划轨迹进行训练。我们根据经验评估我们的方法对国家的最先进的目标识别与基于图像的域，并讨论在哪些条件下，我们的方法优于以前的。
2018-08-20 cs.AI
Real-time goal recognition using approximations in Euclidean space
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）
针对在线目标识别在连续域中计算成本高的问题，提出一种在离散域单次调用规划器或在连续域使用简化运动模型的高效方法，在线识别速度比现有技术快数个数量级，首次满足机器人亚秒级识别需求。
2024-08-23 cs.AI
Heuristic Approaches for Goal Recognition in Incomplete Domain Models
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学）；School of Technology（技术学院）
最近的目标识别方法已经逐步放宽了关于领域知识和可用观测的数量和正确性的假设，从而产生准确和有效的算法。然而，这些方法假设了域理论的完整性和正确性，而这些域理论的算法与观测结果相匹配：这对于大多数现实世界的域来说太强了。在本文中，我们开发的目标识别技术，能够识别目标使用\textit{incomplete}（可能是不正确的）域理论。我们展示了我们的方法的效率和准确性经验对一个大的目标和计划识别问题的数据集不完整的域。
2018-04-16 cs.AI
Missingness-Conditioned Spatio-Temporal Fusion for Human Activity Recognition from Low-Quality Wearable Sensor Data
Department of Computer Science, Durham University（杜伦大学计算机科学系）
本文提出一种 manifold-一致的时空网络，用于在不完美传感条件下实现基于传感器的人体活动识别，通过双层腐蚀建模机制和双流时空架构，提升模型鲁棒性和表征稳定性。
2026-10-27 cs.AI cs.CV
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
Leveraging Planning Landmarks for Hybrid Online Goal Recognition
Institute for Enterprise Systems, University of Mannheim（曼海姆大学企业系统研究所）；Data and Web Science Group, University of Mannheim（曼海姆大学数据与网络科学研究组）
目标识别在许多应用领域（例如，普适计算、入侵检测、计算机游戏等）。在许多应用场景中，重要的是目标识别算法可以尽可能快地识别被观察的Agent的目标，并且具有最少的领域知识。因此，在本文中，我们提出了一种混合的方法，结合了一个象征性的规划地标为基础的方法和数据驱动的目标识别方法，在线目标识别，并评估它在现实世界中的烹饪场景。实验结果表明，该方法不仅在计算时间方面比现有技术更有效，而且还提高了目标识别性能。此外，我们表明，利用规划地标为基础的方法，这是迄今为止只评估人工基准域，也实现了良好的识别性能时，应用到现实世界的烹饪场景。
2023-01-25 cs.AI
Inferring Agents Preferences as Priors for Probabilistic Goal Recognition
Hewlett Packard（惠普公司）；Sapienza University of Rome（罗马大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）
最近的目标识别方法已经利用规划地标以低运行时间成本实现高精度。然而，这些方法缺乏概率解释。此外，虽然目标识别的大多数概率模型假设识别器可以访问表示例如代理的偏好的先验概率，但实际上没有目标识别方法实际上在实践中使用先验，只是假设统一的先验。在本文中，我们提供了一个模型来扩展基于地标的目标识别与概率解释，并允许估计这种先验概率和使用它来计算后验概率后，观察到的代理人的重复相互作用。我们的经验表明，我们的模型不仅可以有效地识别目标，但也成功地推断出正确的先验概率分布代表代理的偏好。
2021-02-23 cs.AI
Goal recognition via model-based and model-free techniques
J.P.Morgan AI Research（摩根大通人工智能研究院）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Arizona State University（亚利桑那州立大学）
目标识别的目的是从观察的痕迹中预测人类的意图。这种能力使人们或组织能够预测未来的行动，并以积极（合作）或消极（对抗）的方式进行干预。目标识别在许多领域都有成功的应用，但在金融机构中的应用却很少。我们声称，这些技术已经成熟，可以广泛用于金融相关的任务。执行目标识别的主要两种方法是基于模型（基于规划）和无模型（基于学习）。在本文中，我们适应国家的最先进的学习技术的目标识别，并比较基于模型和无模型的方法在不同的领域。我们分析了实验数据，以了解使用这两种类型的方法的权衡。实验表明，基于规划的方法是准备一些目标识别的财务任务。
2020-11-03 cs.AI
Imagination-Augmented Deep Learning for Goal Recognition
PLANIART；Université de Sherbrooke（舍布鲁克大学）
能够推断出我们观察、互动或阅读故事的人的目标是人类智能的标志之一。在当前的目标识别研究中，一个突出的想法是从计划的成本估计来推断代理人的目标的可能性，以实现代理人可能具有的不同目标。不同的方法通过仅依赖于手工制作的符号表示来实现这个想法。然而，它们在现实世界中的应用非常有限，主要是因为提取影响目标导向行为的因素的规则仍然是一项复杂的任务。在本文中，我们介绍了一种新的想法，使用符号规划器来计算计划成本的见解，这增强了深度神经网络的想象能力，从而提高了目标识别精度在真实和合成域相比，符号识别器或深度学习目标识别器单独。
2020-03-20 cs.AI
Temporally Extended Goal Recognition in Fully Observable Non-Deterministic Domain Models
University of Manchester（曼彻斯特大学）；IBM Research AI（IBM研究院人工智能部门）；Sapienza University（罗马第一大学）；York University（约克大学）；University of Aberdeen（阿伯丁大学）；University of Oxford（牛津大学）
针对现有目标识别方法无法处理复杂场景下时间扩展目标的问题，本文提出首个适用于完全可观测非确定性域模型、可识别LTLf和PLTLf类有限轨迹时间扩展目标的方法，经六个域模型验证准确率良好。
2023-06-14 cs.AI
Active Goal Recognition
Khoury College of Computer Sciences（库里计算机科学学院）；Northeastern University（东北大学）
为了与其他系统协调，智能体必须能够确定系统当前正在做什么，并预测它们将来会做什么-计划和目标识别。有许多方法用于计划和目标识别，但它们假设一个被动的观察者，持续监视目标系统。真实世界的领域，其中信息收集有成本（例如，移动摄像机或机器人，或者从另一个任务中占用的时间），通常将需要更主动的观察者。我们建议结合目标识别与其他观察员的任务，以获得\emph{active goal recognition}（AGR）。我们讨论了这个问题，并提供了这个复合问题的一种形式的模型和初步实验结果。正如预期的那样，结果表明，AGR问题中的最佳行为平衡了信息收集与其他行动（例如，任务完成），例如联合和有效地完成所有任务。我们希望，我们的提法打开了大门，广泛的进一步研究这个有趣的和现实的问题。
2019-09-24 cs.AI
Fact Probability Vector Based Goal Recognition
University of Mannheim（曼海姆大学）
本文提出一种基于事实概率向量的目标识别方法，通过将观察事实与预期概率映射到实向量空间计算启发式值，并验证了近似概率方法，在降低计算复杂度的同时提升了识别精度。
2024-08-26 cs.AI
GRAML: Goal Recognition As Metric Learning
Computer Science Department, Bar-Ilan University（巴伊兰大学计算机科学系）；Computer Science Department, Tufts University（塔夫茨大学计算机科学系）
针对现有数据驱动目标识别方法仅支持预定义目标、新目标训练耗时的问题，本文提出GRAML框架，用孪生网络结合RNN将目标识别转化为深度度量学习任务，实现少样本下的新目标快速适配，且在多环境中保持高精度的同时提升了速度与灵活性。
2025-05-20 cs.AI
Planning Landmark Based Goal Recognition Revisited: Does Using Initial State Landmarks Make Sense?
University of Mannheim（曼海姆大学）
本文探讨基于规划地标的目标识别中，使用初始状态地标是否有益，通过实证表明省略初始状态地标可提升目标识别性能。
2023-11-10 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
An LP-Based Approach for Goal Recognition as Planning
Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）；Sapienza University of Rome（罗马大学）
目标识别的目的是识别与Agent的观察行为兼容的候选目标集。在本文中，我们开发了一种基于运算符计数框架的方法，该方法可以有效地计算满足观测结果的解决方案，并使用生成的信息来解决目标识别任务。我们的方法的原因明确的部分和噪声观测：估计前者的不确定性，并满足观测的传感器的不可靠性为后者。我们在一个大型数据集上对我们的方法进行了经验评估，分析了每个组件如何影响解决方案的质量。在一般情况下，我们的方法是优于以前的方法在协议比，准确性和传播。最后，我们的方法铺平了道路，新的研究组合优化，以解决目标识别任务。
2021-06-15 cs.AI
Investigating the Combination of Planning-Based and Data-Driven Methods for Goal Recognition
University of Mannheim（曼海姆大学）
普适的智能辅助系统的一个重要特征是能够动态地适应其用户的当前需求。因此，这类系统必须能够根据对用户行为和环境状态的观察来识别这些目标和需求。在这项工作中，我们研究了两个国家的最先进的，基于规划的计划识别方法在现实世界中的应用。到目前为止，这些方法只在人工环境中与行为完全理性的代理相结合进行评估。我们表明，这种方法有困难时，用于识别人类受试者的目标，因为人类的行为通常是不完全理性的。为了克服这个问题，我们提出了一个扩展到现有的方法，通过一个基于分类的方法训练观察到的行为数据。我们的经验表明，所提出的扩展不仅优于纯粹的基于规划和纯粹的数据驱动的目标识别方法，但也能够识别正确的目标更可靠，特别是当只有少量的观察。这大大提高了智能辅助系统的混合目标识别方法的有用性，因为早期识别目标为系统的支持性反应提供了更多的可能性。
2023-01-13 cs.AI
The More the Merrier?! Evaluating the Effect of Landmark Extraction Algorithms on Landmark-Based Goal Recognition
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学（PUCRS））
最近的方法，目标和计划识别使用经典的规划域已经取得了国家的最先进的结果，在识别时间和准确性方面，通过使用基于规划地标的算法。为了实现这样的快速识别时间，这些方法使用有效的，但不完整的算法来提取规划域和问题的地标的一个子集，在一定的精度为代价。在本文中，我们调查的影响和效果，使用各种地标提取算法能够提取更大比例的地标，为每个给定的规划问题，详尽的地标提取。我们进行了广泛的实证评估时，使用不同百分比的全套地标的各种地标为基础的misticics。结果表明，具有更多的地标并不一定意味着实现更高的准确性和更低的扩散，因为额外提取的地标可能不一定增加有助于目标识别任务。
2020-05-06 cs.AI
Human Goal Recognition as Bayesian Inference: Investigating the Impact of Actions, Timing, and Goal Solvability
The University of Melbourne（墨尔本大学）
本研究基于贝叶斯框架探讨动作、时机和目标可解性在人类目标识别中的作用，发现动作最重要但时机与可解性在动作缺乏信息量时亦有影响，并据此开发了比现有算法更贴近人类推断的目标识别模型。
2024-02-16 cs.AI cs.HC
Zero-Shot Goal Recognition with Large Language Models
PUCRS Porto Alegre（圣路易斯-波尔图阿legre大学）；King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）；PUCRS（圣路易斯-波尔图阿legre大学）
本文首次系统评估前沿大语言模型在经典PDDL基准上的零样本目标识别能力，发现其表现不均，部分模型随证据增加而提升精度，而另一些模型则依赖世界知识先验。
2026-05-14 cs.AI
Online Goal Recognition using Path Signature and Dynamic Time Warping
Pontifícia Universidade Católica do Rio Grande do Sul（圣保罗天主教大学里约格兰德杜斯乌尔古斯分校）；King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）
本文提出一种基于路径签名和动态时间规整的在线目标识别方法，通过高效编码轨迹和有效比较轨迹，提升预测准确性和在线规划效率。
2026-08-06 cs.AI
Planning as Goal Recognition: Deriving Heuristics from Intention Models -- Extended Version
本文提出基于分歧的目标意图评估框架，推导出高效可计算的启发式方法，并展示其在经典规划问题求解中的改进效果。
2026-03-24 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
A Probabilistic Framework for Hierarchical Goal Recognition
Monash University（蒙纳士大学）；The University of Melbourne（墨尔本大学）
本文提出基于规划的概率框架，用于层次目标识别，结合层次任务网络结构与概率推理，提升目标识别性能。
2026-04-24 cs.AI cs.SC
Knowledge Sharing in Coalitions
Western Sydney University（西悉尼大学）；University of Toulouse 1（图卢兹第一大学）
本文的目的是研究知识共享的一组代理和它的联盟能力之间的相互作用。我们在不完全信息并发博弈的标准背景下研究了这种关系。我们假设，每当一组代理形成联盟，以实现一个目标，他们分享他们的知识之前采取行动。基于这一假设，我们提出了一个新的语义交替时间时序逻辑的不完美信息和完美的召回。事实证明，这种语义是足够的，以保持在传统的联盟逻辑的联盟能力的所有可取的属性。与此同时，我们调查如何在一组代理的知识共享有助于其联盟能力，通过相互作用的认知和联盟模式。这项工作提供了一个部分的答案的问题：哪种群体知识是需要一个组，以实现其目标的背景下，不完美的信息。
2016-11-25 cs.AI
Towards Explainable Goal Recognition Using Weight of Evidence (WoE): A Human-Centered Approach
The University of Melbourne（墨尔本大学）；King Khalid University（国王哈立德大学）；Macquarie University（麦考瑞大学）；The University of Queensland（昆士兰大学）；Monash University（莫纳什大学）
本研究提出基于证据权重（WoE）的可解释目标识别（XGR）模型，通过人类中心框架生成“为什么”和“为什么不”解释，在八个基准和三项用户研究中显著提升理解、信任与决策能力。
2024-09-18 cs.AI
Probabilistic Active Goal Recognition
Monash University（莫纳什大学）
针对多智能体环境中的目标识别问题，提出结合联合信念更新机制与MCTS算法的概率主动目标识别框架，无需领域特定知识即可高效推断隐藏目标，表现优于被动方法且媲美领域特定基线。
2025-08-11 cs.AI cs.SC
Explainable Goal Recognition: A Framework Based on Weight of Evidence
University of Melbourne（墨尔本大学）；Monash University（莫纳什大学）；King Khalid University（哈利德国王大学）
我们介绍和评估eXplainable目标识别（XGR）模型，该模型使用证据权重（WoE）框架来解释目标识别问题。我们的模型提供了以人为本的解释，回答了为什么？为什么不呢问题.我们计算评估我们的系统在八个不同领域的性能。使用人类行为研究来从人类注释者那里获得基本事实，我们进一步表明XGR模型可以成功地生成类似人类的解释。然后，我们报告了一项研究，60名参与者观察代理人玩推箱子游戏，然后接收目标识别输出的解释。通过任务预测、解释满意度和信任度来考察被试对解释的理解。
2023-03-09 cs.AI cs.HC
Goal Recognition as a Deep Learning Task: the GRNet Approach
University of Huddersfield（哈德斯菲尔德大学）
在自动规划中，从观察的轨迹中识别代理的目标是具有许多应用的重要任务。目标识别的最新方法依赖于规划技术的应用，这需要域动作和初始域状态的模型（例如，在PDDL中）。我们研究了另一种方法，目标识别制定为由机器学习解决的分类任务。我们的方法称为GRNet，主要目的是通过学习如何在给定的域中解决目标识别，使目标识别更准确，更快。给定由一组命题和一组动作名称指定的规划域，域中的目标分类实例由递归神经网络（RNN）求解。RNN的运行处理观察到的动作的跟踪，以计算每个域命题是代理目标的一部分的可能性，对于正在考虑的问题实例。然后，这些预测被聚合以选择候选目标之一。作为训练后的RNN的输入所需的唯一信息是动作标签的踪迹，每个标签仅指示观察到的动作的名称。实验分析证实，\our在目标分类准确性和运行时间方面都取得了良好的性能，从而获得了更好的性能一个国家的最先进的目标识别系统在考虑的基准。
2022-10-25 cs.AI cs.LG
HAPRec: Hybrid Activity and Plan Recognizer
Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）
基于计算机的助理最近吸引了很大的兴趣，由于其适用于环境辅助生活。这样的助理必须检测和识别由被协助的人执行的高级活动和目标。在这项工作中，我们展示了在室内环境中的活动识别，以确定目标的视频的主题是追求。我们的混合方法结合了动作识别模块和目标识别算法，以确定视频中的主题的最终目标。
2020-04-28 cs.AI
Goal Recognition via Linear Programming
University of Aberdeen（阿伯丁大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）；University of Manchester（曼彻斯特大学）；Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
该研究针对目标识别任务，基于Operator-Counting框架提出结合新型IP/LP约束的识别方法，理论证明约束可提供规划代价下界，实验验证其能提升部分及带噪声观测下的目标识别质量，尤其擅长排除不可能的目标。
2024-04-11 cs.AI cs.HC
Cost-Based Goal Recognition Meets Deep Learning
Université de Sherbrooke（舍布鲁克大学）
观察他人行为的影响并推断其意图、最可能的目标或行动过程的能力被称为计划或意图识别认知能力，长期以来一直是人工智能的基础研究挑战之一。深度学习最近在各种模式识别问题上取得了重大进展，除了意图识别。虽然自70年代以来被广泛探索，但在各个领域的大多数有趣案例中，从自然语言理解到基于视频馈送的人类行为理解，这个问题仍然没有解决。本文比较了符号逆规划，研究最多的目标识别方法之一，深度学习使用CNN和LTSM神经网络架构，在文献中常用的五个合成基准。结果表明，在这些领域中，深度学习方法比基于符号成本的计划识别器实现了更好的目标预测准确性和及时性。虽然是初步的，但这些结果指出了有趣的未来研究途径。
2019-11-22 cs.AI cs.LG
Recognizing LTLf/PLTLf Goals in Fully Observable Non-Deterministic Domain Models
York University（约克大学）
目标识别的任务是辨别正确的预期目标，代理旨在实现，给定一组可能的目标，一个领域模型，和一系列的观察作为一个样本的计划正在执行的环境。现有的方法假设，可能的目标是正式的连接在确定性设置。在本文中，我们开发了一种新的方法，能够识别时间上扩展的目标，在完全可观察的非确定性（FOND）规划领域模型，专注于目标的线性时序逻辑（LTLf）和（纯）过去线性时序逻辑（PLTLf）表示的有限轨迹。我们经验评估我们的目标识别方法，使用不同的LTLf和PLTLf的目标超过六个常见的FOND规划领域模型，并表明我们的方法是准确的，以识别时间上扩展的目标在几个层次的可观察性。
2021-03-22 cs.AI
Goal Recognition Design for General Behavioral Agents using Machine Learning
Washington University in Saint Louis（华盛顿大学圣路易斯分校）；Technion – Israel Institute of Technology（技术学院-以色列理工学院）
针对现有目标识别设计方法计算成本高、仅适配最优决策智能体的问题，提出基于机器学习的方法，通过预测最坏情况区分度并结合梯度优化框架优化环境，在降低区分度、提升效率的同时适配复杂场景，且经人类实验验证有效。
2025-10-01 cs.AI cs.LG
Multi-Agent Goal Recognition with Team- and Goal-Conditioned Reinforcement Learning and Factorized Branch-and-Bound
Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)（里约格兰德杜斯阿伦斯天主教大学）；Universidade do Vale do Rio dos Sinos (Unisinos)（里约斯inos大学）；University of Aberdeen（阿伯丁大学）
提出MAGR-BB方法，利用共享的团队与目标条件策略作为评分模型，结合因子化分支定界搜索，从轨迹中联合推断智能体分组及团队目标，在基准测试中大幅降低假设空间并缩短识别时间。
2026-06-25 cs.AI cs.LG cs.MA
Sequential Plan Recognition
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
计划识别算法从他们观察到的动作中推断代理的计划。由于对智能体行为和环境的不完全了解，通常情况下，关于智能体的计划有多个假设与观察结果一致，尽管这些假设中只有一个是正确的。本文讨论了如何消除假设之间的歧义的问题，通过询问代理的候选计划是否在一个假设匹配其意图。这个过程是顺序执行的，并用于在识别过程中更新可能的假设集。本文定义了顺序计划识别过程（SPRP），旨在减少使用最少数量的查询的假设的数量。我们提出了一些政策的SPRP使用最大似然和信息增益来选择查询计划。我们表明，这种方法在实践中很好地工作在两个领域的文献，显着减少了假设的数量，使用更少的查询比基线的方法。我们的研究结果可以告知未来的计划识别系统的设计，交错的识别过程与智能干预的用户。
2017-03-03 cs.AI
Data-Driven Goal Recognition in Transhumeral Prostheses Using Process Mining Techniques
The University of Melbourne（墨尔本大学）；RMIT University（皇家墨尔本理工大学）
本研究提出基于过程挖掘的目标识别方法，利用时序肌电与运动传感器数据，在虚拟现实中实现高精度假肢目标识别，优于现有机器学习技术。
2023-09-15 cs.AI cs.CV cs.RO
Improved Inference of Human Intent by Combining Plan Recognition and Language Feedback
Brown University（布朗大学）；Arizona State University（亚利桑那州立大学）
本文提出D4GR框架，通过语言澄清问题和分层任务模型修正机器人对人类计划与目标的信念，在模拟及真实厨房场景中以更少提问提升含噪条件下的识别准确率。
2023-10-03 cs.AI cs.HC cs.RO
Consistent Opponent Modeling in Imperfect-Information Games
Ganzfried Research（甘兹弗里德研究）
针对不完全信息博弈中现有对手建模方法无法保证收敛到对手真实策略的问题，提出一种基于序列形式博弈表示和投影梯度下降的凸优化算法，实现高效且一致的对手建模。
2026-10-25 cs.AI cs.GT cs.MA
Automatic Speech Recognition for Greek Medical Dictation
Department of Informatics, Athens University of Economics and Business（阿提卡经济与商业大学信息学院）；Omilia Natural Language Solutions Ltd.（Omilia自然语言解决方案有限公司）；Archimedes/Athena RC（阿基米德/雅典RC）
本文提出结合自动语音识别与文本纠错模型的希腊语医学转录系统，通过领域适配和微调提升术语处理、语言变异应对及转录准确性。
2025-09-28 cs.AI cs.CL
OpenGuanDan: A Large-Scale Imperfect Information Game Benchmark
School of Computer Science, Nanjing University of Posts（南京邮电大学计算机科学学院）；NetEase Fuxi AI Lab, Netease Inc（网易凤凰AI实验室，网易公司）；School of Intelligent Science（智能科学学院）；Technology, Nanjing University（技术，南京大学）
OpenGuanDan是一个用于评估多智能体决策算法的新型大规模非完全信息游戏基准，通过模拟中国四人纸牌游戏并支持人机对抗，揭示了当前AI在复杂决策任务中的不足。
2026-01-31 cs.AI cs.MA
IntentVLM: Open-Vocabulary Intention Recognition through Forward-Inverse Modeling with Video-Language Models
Institute of Intelligent Systems and Robotics (ISIR)（智能系统与机器人研究所）
本文提出IntentVLM框架，通过前-后向建模提升多模态环境下的人意图识别效果，实验表明其在IntentQA和Inst-IT Bench数据集上达到80%准确率，超越基线30%，接近人类水平。
2026-04-27 cs.AI cs.HC cs.MM
