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
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
A Logic Programming Approach to Activity Recognition
NCSR Demokritos(希腊国家科学研究中心“德谟克利特”);Imperial College London(帝国理工学院)
我们一直在开发一个系统,用于识别人类活动的视频内容的符号表示。我们的系统的输入是一组在视频帧上检测到的带有时间戳的短期活动。我们的系统的输出是一组公认的长期活动,这是预定义的短期活动的时间组合。对短期活动的约束,如果满足,导致识别的长期活动,表示使用方言的事件演算。我们通过几个典型的复杂活动的表现来说明方言的表现力。此外,我们提出了一个详细的评估系统,通过实验的基准数据集的监控视频。
2013-04-29 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
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
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
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
Mixed Integer Goal Programming for Personalized Meal Optimization with User-Defined Serving Granularity
March 2026(2026年3月)
本文提出混合整数目标规划(MIGP)解决个性化餐优化中的服务粒度和营养约束问题,通过整数变量和目标规划偏差实现更灵活的营养目标,且在多数情况下优于传统方法。
2026-03-12 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
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
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
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
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
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
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
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
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
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
An Efficient Application of Goal Programming to Tackle Multiobjective Problems with Recurring Fitness Landscapes
Webroster Ltd.(Webroster有限公司);ASAP Research Group(ASAP研究组);School of Computer Science, University of Nottingham(nottingham大学计算机科学学院);Department of Mathematics, Faculty of Science, Mahidol University(Mahidol大学数学系)
针对具有重复适应度景观的多目标问题,提出先使用昂贵多目标算法求解一个实例获取近似集,再利用目标规划结合高效单目标算法求解其他实例,在带时间窗的车辆路径问题基准上实现快速且高质量的折中解。
2025-08-06 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
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
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
EmoLASP: Emotion Recognition with Language Models and Answer Set Programming
School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院)
EmoLASP结合语言模型与回答集编程,在IEMOCAP数据集上提升了情感预测性能,尤其对无微调的仅提示式大语言模型效果显著,可降低相关成本并保证预测一致性。
2026-09-01 cs.AI cs.CL
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 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
Modeling and Reasoning in Event Calculus using Goal-Directed Constraint Answer Set Programming
CETINIA Universidad Rey Juan Carlos(胡安卡洛斯国王大学CETINIA);IMDEA Software Institute(IMDEA软件研究所);Universidad Politécnica de Madrid(马德里理工大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
自动常识推理对于构建具有可解释AI等特征的类人AI系统至关重要。事件演算(EC)是一个形式主义的家庭,模型常识推理与健全的,逻辑基础。先前使用EC进行机械化推理的尝试在处理密集域中的连续变化(例如,时间和其他物理量)、变量之间的约束、默认否定以及不同推理方法的统一应用等。我们建议使用的s(CASP),查询驱动的,自上而下的执行模型的谓词答案集编程的约束,模型和原因使用EC。我们展示了如何EC的情况下,可以自然和直接编码的s(CASP),以及它如何使演绎和溯因推理任务的域具有约束,涉及密集的时间和密集的流畅性。
2021-06-28 cs.AI cs.LO
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
Automating UAV Flight Readiness Approval using Goal-Directed Answer Set Programming
General Electric Research(通用电气研究中心);The University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们提出了一个新的应用程序的目标导向的答案集编程,数字化模型飞机操作员的符合性验证对模型飞机学院(AMA)的安全代码。AMA安全守则规定了AMA飞行员如何操作用于有限娱乐目的的无人机(UAV)。飞行无人机及其操作人员在飞机运行前后都要遵守各种规则,以确保飞行安全。在本文中,我们利用答案集编程来编码AMA安全代码并自动进行合规性检查。为了检查合规性,我们使用s(CASP),这是一个目标导向的ASP引擎。通过使用s(CASP),操作员可以轻松地检查违规,并获得一个以人类可读的自然语言解释违规原因的理由树。此外,我们实现了一个算法,以帮助运营商获得最小的一组条件,需要满足,以通过合规性检查。我们开发了一个前端问卷界面,接受各种条件,并使用后端的(CASP)引擎来评估条件是否符合规定。我们还利用在SWI-Prolog中实现的s(CASP),其中SWI-Prolog将s(CASP)的推理功能作为REST服务公开。据我们所知,这是ASP在AMA和航空电子合规性和认证领域的首次应用。
2022-08-25 cs.AI cs.PL
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
Online Learning Probabilistic Event Calculus Theories in Answer Set Programming
University of Piraeus(比雷埃夫斯大学)
复杂事件识别(CER)系统使用预定义的事件模式检测流时间戳输入中的事件发生。基于逻辑的方法在CER中特别有趣,因为通过统计关系AI,它们将不确定性弹性推理与时间和变化结合起来,与机器学习结合起来,从而减轻了手动事件模式创作的成本。我们提出了一个系统的基础上回答集编程(ASP),能够与复杂的事件模式的概率推理的加权规则的形式在事件演算,其结构和权重在线学习。我们比较我们的ASP为基础的实现与马尔可夫逻辑为基础的一个和一些国家的最先进的批量学习算法CER数据集的活动识别,海上监视和船队管理。我们的研究结果表明,我们的新方法的优越性,无论是在效率和预测性能。这篇论文正在考虑发表在《逻辑程序设计理论与实践》(TPLP)上。
2021-03-31 cs.AI cs.LG
Myopic Bayesian Design of Experiments via Posterior Sampling and Probabilistic Programming
Carnegie Mellon University(卡内基梅隆大学);U-Mass, Amherst(马萨诸塞大学阿默斯特分校)
我们设计了一个新的近视策略的顺序实验设计(DOE)的问题,其中的目标是收集数据,以满足一定的问题的具体目标。我们的方法,近视后验采样(MPS),是受经典的后验(汤普森)采样算法的启发,多武装匪徒,并利用概率规划和近似贝叶斯推断的灵活性,以解决广泛的问题。从经验上讲,这种通用策略在各种DOE任务中与更专业的方法竞争,更重要的是,能够解决现有方法似乎不适用的复杂DOE目标。在理论方面,我们利用自适应子模块化和强化学习的思想来推导MPS实现次线性后悔的条件。
2018-05-25 cs.AI cs.LG stat.ML
Learning a Hierarchical Planner from Humans in Multiple Generations
Massachusetts Institute of Technology(麻省理工学院);Autodesk Research(欧特克研究院);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
提出自然编程系统,结合程序化学习与分层规划,通过用户课程构建和语言提示引导规划,使机器能稳健组合多用户程序并快速适应新上下文解决复杂任务。
2023-10-17 cs.AI
Towards Dynamic Consistency Checking in Goal-directed Predicate Answer Set Programming
CETINIA, Universidad Rey Juan Carlos(CETINIA,胡安卡洛斯国王大学);Universidad Politécnica de Madrid(马德里理工大学);IMDEA Software Institute(IMDEA软件研究所);University of Texas at Dallas(德克萨斯大学达拉斯分校)
答案集程序的目标导向评估正在获得牵引力,这要归功于其创建AI系统的顺应性,由于使用的评估机制,AI系统可以生成解释和理由。s(CASP)是其中的一种系统,并已被用于编写多个领域的推理系统。它提供了增强的表现力w.r.t.其他ASP系统,因为它能够使用约束、数据结构和未绑定变量。然而,现有的s(CASP)实现的性能与其他ASP系统不一样:一旦模型生成,就检查模型的一致性,这与生成和测试范式保持一致。在这项工作中,我们提出了一个变化的自上而下的评价策略,称为动态一致性检查,交错模型生成和一致性检查。这使得可以确定文本何时与程序中与全局约束相关联的拒绝不兼容,修剪当前执行分支,并选择不同的替代方案。这种策略是特别(但不是唯一)相关的问题,高组合组件。我们已经在实验中观察到高达90倍w.r.t.的加速比。s的标准版本(CASP)。
2021-10-22 cs.AI
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
Planning with Preferences using Logic Programming
我们提出了一个声明性的语言,PP,规划问题的可能的解决方案(或轨迹)之间的偏好的高层次规范。这种新颖的语言允许用户优雅地表达非平凡的、多维的偏好和优先于这些偏好的优先级。PP的语义允许识别给定目标的最优选轨迹。我们还提供了一个答案集编程实现规划问题与PP的喜好。
2005-08-31 cs.AI
Knowledge-Assisted Reasoning of Model-Augmented System Requirements with Event Calculus and Goal-Directed Answer Set Programming
Honeywell Advanced Technology(霍尼韦尔先进技术公司);The University of Texas at Dallas(德克萨斯大学达拉斯分校);Honeywell International s.r.o(霍尼韦尔国际有限公司);Brno Univ. of Technology(布尔诺理工大学);Universidad Rey Juan Carlos(胡安卡洛斯国王大学)
我们认为,在约束自然语言的网络物理系统的要求。我们提出了新的自动化技术,以帮助这些要求的发展,使他们是一致的,可以承受感知故障。我们展示了如何使用事件演算(EC)来建模网络物理系统的需求,EC是AI中用于表示动作和变化的形式主义。我们还展示了如何回答集编程(ASP)及其查询驱动实现(CASP)可以用来直接实现的事件演算模型的需求。该事件演算模型可用于自动验证需求。由于ASP是一种表达知识表示语言,它也可以用来表示上下文知识的网络物理系统,这反过来,可以用来找到差距,他们的需求规格。我们说明了我们的方法,通过高度报警系统从航空电子领域。
2021-09-10 cs.AI cs.LO cs.SC
Soft Constraint Programming to Analysing Security Protocols
安全协议规定了计算机网络的远程主体应如何交互以获得特定的安全目标。保密和认证的关键目标可以通过各种形式实现,每种形式的强度不同。使用软(而不是脆)的约束,我们开发了一个统一的正式概念的两个目标。它们不再像现有文献中那样被形式化为仅仅是/否属性,而是获得了一个额外的参数,即安全级别。例如,不同的消息可以享有不同级别的机密性,或者主体可以通过不同的主体实现不同级别的身份验证。协议分析的一般框架内的目标是正式的,是服从机械化的模型检验。在应用该框架分析非对称Needham-Schroeder协议之后,我们最近发现了对该协议的一种新的攻击,作为以前被攻击的主体的报复形式。在对该攻击进行了评论之后,我们将在一个更大的、大规模部署的协议上展示框架,该协议由三个阶段组成。
2003-12-14 cs.AI cs.CR
Encoding Petri Nets in Answer Set Programming for Simulation Based Reasoning
Arizona State University(亚利桑那州立大学);National Institute of Informatics(国立信息学研究所)
我们的长期研究目标之一是开发系统来回答现实问题(例如,一些在教科书中提到的)关于生物学家可能会问的生物途径。为了回答这些问题,我们需要能够对路径建模、模拟其执行、对这些路径的干预建模并在不同情况下比较模拟的形式化。我们发现Petri网是一个合适的形式主义的建模和仿真需要的起点。然而,我们需要对Petri网模型进行扩展,并使用多个仿真运行和并行状态演化进行推理。为此,Petri网的回答集编程(ASP)实现将允许我们做到这两点。在本文中,我们将展示如何ASP可以用来编码基本的Petri网在一个直观的方式。然后,我们将展示如何修改这种编码模型的几个Petri网扩展进行小的更改。然后,我们强调了一些推理能力,我们将使用它来实现我们的最终研究目标。
2013-06-24 cs.AI
Students' Perceptions and Use of Generative AI Tools for Programming Across Different Computing Courses
Utrecht University(乌得勒支大学)
本研究通过对欧洲某大学计算项目学生进行三次连续调查,分析了264份回复,探讨学生在59门不同计算课程中使用GenAI工具的情况及其随时间演变的感知,为差异化使用GenAI及与学习目标对齐提供了见解。
2024-11-13 cs.AI cs.CY