Planning with Dynamically Estimated Action Costs

要約

アクション コストに関する情報は、現実世界の AI 計画アプリケーションにとって重要です。
最近のアプローチでは、宣言的アクション モデルのみに依存するのではなく、多くの場合データから学習され、計画段階で適用されるブラック ボックスの外部アクション コスト推定ツールも使用されています。
ただし、これらは計算コストが高くつく可能性があり、不確実な値が生成されます。
この論文では、アクション コストを含む決定論的計画の一般化を提案します。これにより、アクション コストの複数の推定量から選択できるようになり、制限された推定の不確実性に対して計算時間のバランスをとることができます。
これにより、より豊かな、そしてそれに応じてより現実的な問題の表現が可能になります。
重要なのは、プランナーが計画の精度を制限できるため、信頼性が向上すると同時に、不必要な計算負荷が軽減されます。これは、大規模な問題に拡張する場合に重要です。
このような計画上の問題を解決する $A^*$ を一般化した検索アルゴリズムと追加のアルゴリズム拡張を導入します。
理論的な保証に加えて、広範な実験により、代替手段と比較して実行時間が大幅に節約されることが示されています。

要約(オリジナル)

Information about action costs is critical for real-world AI planning applications. Rather than rely solely on declarative action models, recent approaches also use black-box external action cost estimators, often learned from data, that are applied during the planning phase. These, however, can be computationally expensive, and produce uncertain values. In this paper we suggest a generalization of deterministic planning with action costs that allows selecting between multiple estimators for action cost, to balance computation time against bounded estimation uncertainty. This enables a much richer — and correspondingly more realistic — problem representation. Importantly, it allows planners to bound plan accuracy, thereby increasing reliability, while reducing unnecessary computational burden, which is critical for scaling to large problems. We introduce a search algorithm, generalizing $A^*$, that solves such planning problems, and additional algorithmic extensions. In addition to theoretical guarantees, extensive experiments show considerable savings in runtime compared to alternatives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google