[论文解读] Planning with Incomplete Information

Antonis Kakas, Rob Miller+1 more|ArXiv.org|Mar 9, 2000

Logic, Reasoning, and Knowledge参考文献 14被引用 4

一句话总结

本文提出了 ${\cal E}$-Planner，一种基于论证的规划框架，通过归纳推理和论证推理扩展弱规划，在信息不完全的情况下生成安全规划。该框架无需掌握完整初始状态知识，即可确保在所有可能初始状态下规划的鲁棒性，利用重述的 ${\cal E}$ 语言证明理论实现非单调推理与规划验证。

ABSTRACT

Planning is a natural domain of application for frameworks of reasoning about actions and change. In this paper we study how one such framework, the Language E, can form the basis for planning under (possibly) incomplete information. We define two types of plans: weak and safe plans, and propose a planner, called the E-Planner, which is often able to extend an initial weak plan into a safe plan even though the (explicit) information available is incomplete, e.g. for cases where the initial state is not completely known. The E-Planner is based upon a reformulation of the Language E in argumentation terms and a natural proof theory resulting from the reformulation. It uses an extension of this proof theory by means of abduction for the generation of plans and adopts argumentation-based techniques for extending weak plans into safe plans. We provide representative examples illustrating the behaviour of the E-Planner, in particular for cases where the status of fluents is incompletely known.

研究动机与目标

• 解决初始状态不完全已知时的规划问题，特别是当初始状态信息不完整时。
• 开发一种对状态和动作不确定性具有鲁棒性的规划器。
• 确保规划的安全性——无论初始条件未知，均能实现目标——而无需依赖完整的状态枚举。
• 将归纳推理与论证推理整合到统一框架中，用于规划生成与验证。
• 通过弱规划的动态扩展，提供一种目标导向且高效的合致规划方法。

提出的方法

• 将语言 ${\cal E}$ 重新表述为论证框架，以支持对动作与变化的非单调推理。
• 使用基于论证的证明理论，表示并推理可能的状态与动作。
• 基于不完全信息的一种可能解释，生成条件性弱规划。
• 应用归纳推理生成假设，若这些假设为真，则可验证弱规划的有效性。
• 通过论证推理将弱规划扩展为安全规划，验证目标在所有可接受扩展下均成立。
• 通过测试在缺失信息的所有可能解释下目标是否仍可推导，动态扩展规划。

实验结果

研究问题

• RQ1 当初始状态信息不完全时，规划器如何生成具有鲁棒性的规划？
• RQ2 哪些机制使规划器能够验证规划在所有缺失信息可能解释下均安全？
• RQ3 如何结合归纳推理与论证推理，将弱规划扩展为安全规划？
• RQ4 ${\cal E}$-Planner 在处理不完全信息时，与基于经典定理证明器的方法有何不同？
• RQ5 基于论证的推理能否在无需完整模型枚举的前提下，支持高效且目标导向的不确定性规划？

主要发现

• ${\cal E}$-Planner 即使在初始状态谓词未知的情况下，也能成功将弱规划扩展为安全规划，确保在所有可能解释下目标均可达成。
• 规划器使用基于论证的推理，验证不存在任何可接受扩展可使目标为假，从而保证规划的安全性。
• 归纳推理用于生成假设，若这些假设被蕴含，则可确保规划的有效性，且这些假设被整合进规划生成与扩展过程。
• 该方法通过在论证框架上推理，避免了显式模型枚举，相比完整世界分析显著降低了计算开销。
• 该框架支持在任意时间点进行观测，而不仅限于初始状态，从而实现对不完全数据的间接推理。
• 该方法具有通用性与可扩展性，未来可支持非确定性动作、感知操作以及基于约束的优化。