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
Reward Bound for Behavioral Guarantee of Model-based Planning Agents
University of California, Merced（加州大学默塞德分校）
本文研究基于模型的规划智能体在指定时间步内到达目标状态的行为保证问题，证明目标奖励存在下界，并扩展至多目标偏好约束。
2024-02-20 cs.AI
Goal Recognition as Reinforcement Learning
Pontifícia Universidade Católica do Rio Grande do Sul（南里奥格兰德天主教大学）；University of Aberdeen（阿伯丁大学）；Bar Ilan University（巴伊兰大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有目标识别方法依赖人工领域设计、实时计算成本高且抗噪性弱的问题，提出结合无模型强化学习的两阶段目标识别框架，其表格Q-learning实例在标准基准上达SOTA，噪声环境下性能更优。
2022-02-13 cs.AI cs.LG
Autonomous Identification and Goal-Directed Invocation of Event-Predictive Behavioral Primitives
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Tübingen（蒂宾根大学）
针对从感觉运动经验中学习组合式抽象的难题，提出SUBMODES计算架构，通过自组织神经控制器和惊讶度信号自主识别行为基元，在两类机器人上验证了学习效果，且可用于目标导向控制。
2019-06-27 cs.AI cs.RO cs.SY
ODGR: Online Dynamic Goal Recognition
Bar-Ilan University（巴伊兰大学）；University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）
本文提出“在线动态目标识别”（ODGR）问题，将动态目标引入标准GR定义，并通过迁移学习在导航领域验证其可行性，为实时环境下的GR方法扩展奠定基础。
2024-07-23 cs.AI cs.LG
Autonomous AI Surveillance: Multimodal Deep Learning for Cognitive and Behavioral Monitoring
Department of BS Data Science, Gift University, Gujranwala, Pakistan（数据科学系，Gift大学，巴基斯坦）
本文提出一种融合困倦检测、手机使用追踪与人脸识别的多模态课堂监控系统，基于YOLOv8和LResNet等模型实现实时监测与自动考勤，并在多个数据集上取得高精度结果。
2025-07-02 cs.AI cs.CV cs.LG
Relative Behavioral Attributes: Filling the Gap between Symbolic Goal Specification and Reward Learning from Human Preferences
Arizona State University（亚利桑那州立大学）
生成满足非专家用户偏好的复杂行为是人工智能智能体的关键要求。来自轨迹比较的交互式奖励学习（也称为RLHF）是一种允许非专家用户通过对代理行为的短片段表达偏好来传达复杂目标的方法。尽管这种参数化方法可以对底层任务中存在的复杂隐性知识进行编码，但它隐含地假设人类无法提供比二进制偏好标签更丰富的反馈，从而导致难以忍受的高反馈复杂性和较差的用户体验。虽然提供一个详细的符号封闭形式的规格说明的目标可能是诱人的，它并不总是可行的，即使是一个专家用户。然而，在大多数情况下，人类知道代理应该如何沿着有意义的轴改变其行为，以实现其潜在的目的，即使他们不能完全指定任务目标的象征性。以此为动机，我们引入了相对行为属性的概念，它允许用户通过符号概念（例如，增加药剂运动的柔软度或速度）。我们提出了两种实用的方法，可以学习建模任何类型的行为属性从有序的行为剪辑。我们证明了我们的方法在四个任务上的有效性，有九个不同的行为属性，表明一旦学习了属性，最终用户可以相对轻松地产生理想的代理行为，通过提供反馈大约十次。这比流行的从人类偏好中学习基线所要求的要少一个数量级。补充视频和源代码可在https://guansuns.github.io/pages/rba上获得。
2023-02-27 cs.AI cs.HC cs.LG
Goal Recognition using Actor-Critic Optimization
Bar Ilan University（巴伊兰大学）；University of Aberdeen（阿伯丁大学）；Tufts University（塔夫茨大学）
本文提出DRACO，首个基于深度强化学习从非结构化数据学习策略网络进行目标识别的方法，并引入连续策略表示的新度量，在离散和连续场景中均取得领先性能且成本更低。
2024-12-31 cs.AI cs.LG cs.MA
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
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
A Transfer Learning Method for Goal Recognition Exploiting Cross-Domain Spatial Features
PLANIART；Université de Sherbrooke（舍布鲁克大学）
推断他人的意图、预测他们的目标和推断他们的计划的能力是智能代理的关键特征。长期以来，有几种方法研究了符号表征和推理的使用，但成功有限，主要是因为很难明确地捕捉人类决策背后的认知知识。如今的趋势是越来越多地关注直接从数据中推断意图的学习，特别是使用深度学习。我们现在正在观察意图分类在自然语言处理、视觉活动识别和其他领域新兴方法中的有趣应用。本文讨论了一种新的方法结合Few-Shot和迁移学习与跨域功能，学习推断的意图，在物理环境中导航，执行任意长的动作序列，以实现其目标。与深度学习基线方法相比，在合成环境中的实验表明，在从少量样本中学习并推广到看不见的配置方面，性能有所提高。
2019-11-22 cs.AI cs.LG
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
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
GRAIL: Goal Recognition Alignment through Imitation Learning
Department of Computer Science, Bar Ilan University（巴伊兰大学计算机科学系）；Department of Computer Science, Aberdeen University（阿伯丁大学计算机科学系）；Department of Computer Science, Tufts University（塔夫茨大学计算机科学系）
GRAIL通过模仿学习和逆强化学习，从演示轨迹中学习目标导向策略，提高目标识别的准确性和鲁棒性。
2026-02-15 cs.AI cs.LG cs.RO
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
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 over Imperfect Domain Models
Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教会大学）；University of Melbourne（墨尔本大学）
目标识别是通过观察自主智能体或人类在环境中的行为来识别其预期目标的问题。在过去的几年里，大多数现有的方法来目标和计划识别一直忽视了需要处理的不完善的领域模型，正式的环境中，自主智能体的行为。在这篇论文中，我们介绍了不完美领域模型上的目标识别问题，并提出了明确处理两种不同类型的不完美领域模型的解决方案：（1）不完全离散的领域模型，它在动作描述中有可能的，而不是已知的，前提条件和效果;以及（2）近似连续领域模型，其中过渡函数是根据过去的观测值近似的，并且不是良好定义的。我们开发了新的目标识别方法，不完善的域模型，利用和适应现有的识别方法，从文献。这两种类型的不完美域模型的实验和评估表明，我们的新的目标识别方法是准确的，从文献中的基线方法相比，在几个层次的可观察性和不完善。
2020-05-12 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
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
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
Position: Behavioral Systems Require Behavioral Tests
本文提出AI智能体需如其他行为系统般接受评估，借鉴行为科学提出含行为测试开发等内容的研究议程，为AI行为科学发展提供路线图。
2026-08-20 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
Goal-Directedness is in the Eye of the Beholder
University of Copenhagen, Department of Philosophy（哥本哈根大学哲学系）；University of Copenhagen, Department of Computer Science（哥本哈根大学计算机科学系）
本文比较了行为与机制两种目标导向性探测方法，指出形式化目标存在技术与概念问题，并论证目标导向性无法被客观测量，进而提出将其建模为动态多智能体系统涌现属性的新方向。
2025-08-18 cs.AI cs.MA
RAFM-SER++: A Lightweight Multimodal Emotion Recognition Framework for Real-Time Behavioral Monitoring in Surveillance Systems
Industrial University of HCM City（胡志明市工业大学）；Le Hong Phong High School for the Gifted（黎鸿峰天才高中）；FPT University（菲普特大学）；University of Science, VNU-HCM（胡志明市国家大学科学大学）
提出轻量级多模态情感识别框架RAFM_SER++，采用非对称残差注意力融合机制，在IEMOCAP和ESD上以更少参数和更快推理超越基线，适用于实时监控。
2026-09-09 cs.AI cs.LG cs.MM
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
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
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
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
General Dynamic Goal Recognition using Goal-Conditioned and Meta Reinforcement Learning
Department of Computer Science, Bar Ilan University（巴伊兰大学计算机科学系）；Department of Computer Science, Tufts University（塔夫茨大学计算机科学系）
本文提出两种方法，通过目标条件化和元强化学习实现动态环境下的目标识别，提升系统在变化和噪声中的适应能力与识别精度。
2026-01-04 cs.AI cs.RO
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
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
Detecting Individual Decision-Making Style: Exploring Behavioral Stylometry in Chess
University of Toronto（多伦多大学）；Microsoft Research（微软研究院）；Cornell University（康奈尔大学）
在复杂领域超越人类决策能力的机器学习模型的出现，引发了一场构建与人类交互的AI系统的运动。许多构建模块对于这一活动至关重要，其中一个核心模块是人类行为的算法表征。虽然现有的大部分工作都集中在人类行为的集合上，但一个重要的长期目标是开发专门针对个人的行为模型，并可以区分他们。为了使这一过程正式化，我们研究了行为文体学的问题，其中的任务是从决策者的决策中识别出他们。我们提出了一个基于变压器的方法，在国际象棋的背景下，行为风格，其中一个试图确定谁玩了一套游戏的球员。我们的方法在一个Few-Shot分类框架中运行，并且可以从数千个候选玩家中正确识别出一个玩家，仅给出100个标记的游戏，准确率为98%。即使在业余比赛中训练，我们的方法也适用于特级大师球员的分布样本，尽管业余球员和世界级球员之间存在巨大差异。最后，我们更广泛地考虑了我们得到的嵌入揭示了人类在国际象棋中的风格，以及从行为数据中识别个体的强大方法的潜在伦理影响。
2022-08-02 cs.AI cs.LG
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
SVF-CR: Synchronized Visual-Facial Cross-Refinement for Multimodal Ambivalence and Hesitancy Recognition
Konyang University（公州大学）；Korean Broadcasting System (KBS)（韩国广播公司）
研究多模态矛盾心理和犹豫识别，提出SVF-CR框架，通过提取视频和面部令牌，经多种注意力机制细化，构建视觉-面部证据并融合文本、声学特征，实验证明该框架提升了公共宏F1。
2026-07-13 cs.AI cs.CV
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
Post-Training on Office Work Improves Software Engineering: A Behavioral Account of Cross-Domain Transfer
Surge AI
该研究通过在办公工作流程的长程多工具智能体任务上后训练Qwen3.5-122B-A10B，发现模型在无相关训练的软件工程基准SWE-Bench Pro上性能提升，证实长程后训练可跨域强化目标导向执行行为。
2026-08-04 cs.AI cs.SE
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 Behavioral Approach to Visual Navigation with Graph Localization Networks
Stanford University（斯坦福大学）；Pontificia Universidad Católica de Chile（智利天主教大学）；Yale University（耶鲁大学）
受心理学研究的启发，我们引入了一种使用拓扑地图进行视觉导航的行为方法。我们的目标是使机器人能够从一个位置导航到另一个位置，仅依赖于其视觉输入和环境的拓扑图。我们建议使用图神经网络来定位地图中的代理，并将动作空间分解为实现为卷积或递归神经网络的原始行为。使用吉布森模拟器，我们验证了我们的方法优于相关的基线，并能够在可见和不可见的环境中导航。
2019-03-01 cs.AI cs.CV cs.LG
Unsupervised Anomaly Detection of Information Operations Users via Behavioral and Language Patterns
RMIT University（皇家墨尔本理工大学）；Macquarie University（麦考瑞大学）
研究针对社交媒体网络信息操作检测难题，提出无监督方法TENSOR，利用多模态数据，通过训练时间点过程捕捉异常行为模式，并引入新证据函数调整输出，在五个真实数据集上表现优于基线。
2026-07-08 cs.AI cs.LG
Expedition & Expansion: Leveraging Semantic Representations for Goal-Directed Exploration in Continuous Cellular Automata
Flowers AI & CogSci Lab, Inria, France（Flowers AI与认知科学实验室，Inria，法国）；MIT, USA（麻省理工学院，美国）
针对连续元胞自动机探索易陷入局部新颖性停滞的问题，提出融合局部扩张与VLM生成语言目标导向远征的E&E策略，在Flow Lenia上实现更多样解发现，为开放式探索提供新范式。
2025-09-04 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
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
A Fair Objective for Human-Empowerment-Preserving AI: Desiderata, Design, and Likely Behavioral Consequences
Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）
本文设计了一种保留人类赋能的AI公平目标函数，通过公理化方法兼顾人类权力的不平等与风险规避，明确AI需赋能人类并管理人机权力平衡，还验证了其在典型场景的行为后果。
2026-08-11 cs.AI cs.GT cs.MA
Neuroevolution Results in Emergence of Short-Term Memory for Goal-Directed Behavior
National Research Center “Kurchatov Institute”（国家研究中心“库尔恰托夫研究所”）；Kurchatov NBIC-Centre（库尔恰托夫NBIC中心）
动物在具有多重竞争目标的环境中表现出适应性。理解这种目标导向行为背后的机制仍然是神经科学和适应系统研究的挑战。为了解决这个问题，我们开发了一个多目标随机环境中的自适应行为的进化模型。提出的神经进化算法基于神经元的复制作为代理循环神经网络开发的基本机制。仿真结果表明，在进化过程中，代理获得的能力，存储的短期记忆，因此，使用它的行为策略与替代行动。我们发现，进化发现了两种短期记忆机制。第一种机制是感觉信号和持续的内部神经活动的整合，导致专门从事替代行动的细胞群的出现。第二个机制是缓慢的神经动力学过程，这使得编码先前的行为选择成为可能。
2012-04-14 cs.AI cs.NE nlin.AO
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
