arXiv cs.AI· Jonas Reiter, Jakob Elias Gebler, Hector Geffner·· 10 小时前AI 评分26
面向经典规划的可微提升动作模式学习
Differentiable Learning of Lifted Action Schemas for Classical Planning
AI 导读
研究者提出一种新型神经网络架构，可在状态完全观测但动作参数未观测的轨迹中学习提升动作模式，同时从状态变化中识别动作参数。该可微组件可集成进更大的神经符号模型，在多个规划域上学习到的动作模式需恢复真实结构，并报告了观测噪声鲁棒性、组件消融及槽位动态模型变体实验。
正文 · AI 翻译
摘要：经典规划器能够有效求解以 STRIPS 或 PDDL 表示的超大规模确定性 MDP，其中状态是对象与关系上的原子集合，而提升的动作模式会添加或删除这些原子。这种紧凑表示产生了强大的搜索启发式，并为结构泛化提供了理想环境，因为提升的关系和动作模式会产生无限多的领域实例。一个核心挑战是从数据中学习这些关系和动作模式，近期的方法已利用不同类型的观测来处理这一问题。在本工作中，我们开发了一种新颖的神经网络架构，用于从轨迹中学习动作模式，其中状态被完全观测，但动作参数未被观测。该问题是一种简化，但却是从图像序列和动作标签中学习规划领域的重要一步，我们的目标是以近乎完美的方式求解这一简化问题。挑战在于学习动作模式的同时，从观测到的状态变化中识别动作参数。我们的方法产生了一个稳健的可微组件，随后可集成到更大的神经符号模型中。我们在多个规划领域上评估了该架构，其中学习到的提升动作模式必须恢复真实结构。此外，我们还报告了关于对观测噪声的鲁棒性、组件消融以及与基于槽的动力学模型相关变体的实验。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.13282 [cs.AI] |
| （或 arXiv:2605.13282v4 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.13282 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jonas Reiter [查看邮箱]
[v1]
2026年5月13日星期三 09:59:49 UTC（374 KB）
[v2]
2026年5月24日星期日 13:53:18 UTC（374 KB）
[v3]
2026年11月9日星期一 13:07:01 UTC（97 KB）
[v4]
2026年11月10日星期二 08:57:59 UTC（89 KB）
来源：arXiv cs.AI · arxiv.org