Learning Type-Generalized Actions for Symbolic Planning

要約

シンボリック計画は、長いシーケンスのアクションを必要とし、インテリジェントエージェントに複雑な動作を装備できる複雑なタスクを解決するための強力な手法です。
このアプローチの欠点は、環境の状態とそれを変えることができるアクションを説明する適切な象徴的な表現の必要性です。
伝統的に、このような表現は、異なる問題ドメインの専門家によって慎重に設計されており、さまざまな問題や環境の複雑さへの移転性を制限しています。
この論文では、特定のエンティティ階層を使用して象徴的なアクションを一般化し、同様の動作を観察するための新しい概念を提案します。
シミュレートされたグリッドベースのキッチン環境では、タイプジェネラル化されたアクションが少数の観察から学習し、新しい状況に一般化できることを示します。
計画中に追加のオンザフライ一般化メカニズムを組み込む、目に見えないタスクの組み合わせ、より長いシーケンス、新しいエンティティ、予期しない環境行動を含むことを解決できます。

要約(オリジナル)

Symbolic planning is a powerful technique to solve complex tasks that require long sequences of actions and can equip an intelligent agent with complex behavior. The downside of this approach is the necessity for suitable symbolic representations describing the state of the environment as well as the actions that can change it. Traditionally such representations are carefully hand-designed by experts for distinct problem domains, which limits their transferability to different problems and environment complexities. In this paper, we propose a novel concept to generalize symbolic actions using a given entity hierarchy and observed similar behavior. In a simulated grid-based kitchen environment, we show that type-generalized actions can be learned from few observations and generalize to novel situations. Incorporating an additional on-the-fly generalization mechanism during planning, unseen task combinations, involving longer sequences, novel entities and unexpected environment behavior, can be solved.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google