Learning Type-Generalized Actions for Symbolic Planning

要約

シンボリック プランニングは、長い一連のアクションを必要とする複雑なタスクを解決するための強力な手法であり、インテリジェント エージェントに複雑な動作を持たせることができます。
このアプローチの欠点は、環境の状態とそれを変える可能性のあるアクションを説明する適切な記号表現が必要であることです。
従来、このような表現は、専門家によって個別の問題領域に合わせて慎重に手作業で設計されてきたため、さまざまな問題や環境の複雑さへの移植性が制限されていました。
この論文では、与えられたエンティティ階層と観察された同様の動作を使用して、象徴的なアクションを一般化するための新しい概念を提案します。
シミュレーションされたグリッドベースのキッチン環境では、タイプ一般化されたアクションが少数の観察から学習され、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ことで、より長いシーケンス、新しいエンティティ、予期しない環境の動作を含む、目に見えないタスクの組み合わせを解決できます。

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