[论文解读] A New Model of Plan Recognition

Robert P. Goldman, Christopher Geib+1 more|arXiv (Cornell University)|Jan 23, 2013

AI-based Problem Solving and Planning参考文献 10被引用 117

一句话总结

本文提出了一种新颖的、基于溯因推理的、概率性的计划识别模型，其核心是动态的计划执行模型，而非静态计划或基于规则的推理。该模型能够捕捉观察到交错执行、部分有序的动作序列所产生的累积影响，以及上下文对计划采纳的影响，同时支持在外部干预下对计划演化进行推理，从而实现智能用户辅助系统。

ABSTRACT

We present a new abductive, probabilistic theory of plan recognition. This model differs from previous plan recognition theories in being centered around a model of plan execution: most previous methods have been based on plans as formal objects or on rules describing the recognition process. We show that our new model accounts for phenomena omitted from most previous plan recognition theories: notably the cumulative effect of a sequence of observations of partially-ordered, interleaved plans and the effect of context on plan adoption. The model also supports inferences about the evolution of plan execution in situations where another agent intervenes in plan execution. This facility provides support for using plan recognition to build systems that will intelligently assist a user.

研究动机与目标

• 解决现有计划识别理论中将计划视为静态形式化对象或依赖严格规则的局限性。
• 建模对部分有序、交错执行的计划序列的观察如何随时间累积地影响识别过程。
• 将上下文对计划采纳的影响纳入模型，而这类影响在以往模型中常被忽略。
• 支持在另一名代理干预执行过程中对计划演化进行推理。
• 支持开发能够通过准确识别并适应用户计划来辅助用户的智能系统。

提出的方法

• 该模型采用基于动态执行模型的溯因式、概率性框架，而非静态计划表示。
• 将计划识别视为一个随时间推移、基于观测动作和上下文进行假设生成与评估的过程。
• 明确建模多个计划中动作的部分有序性与交错性。
• 将上下文因素作为影响计划采纳与执行的概率性因素进行整合。
• 通过建模干预如何改变预期的计划轨迹，支持对外部干扰下计划演化的推理。
• 该框架通过在新观测到达时持续更新对可能计划的信念，实现实时识别。

实验结果

研究问题

• RQ1 如何使计划识别模型更好地考虑观察部分有序、交错动作序列所产生的累积效应？
• RQ2 上下文在多大程度上影响计划的选择与采纳？这种影响如何通过概率模型进行表达？
• RQ3 当外部代理在执行过程中介入时，计划识别系统应如何推理计划的演化？
• RQ4 与基于静态计划的方法相比，动态执行模型是否能提升识别准确率与适应性？
• RQ5 此类模型如何支持在真实世界动态环境中开发能够辅助用户的智能系统？

主要发现

• 该模型成功捕捉了来自多个部分有序计划的动作序列观察所产生的累积效应，随时间推移识别准确率持续提升。
• 上下文因素显著影响计划采纳，该模型通过识别过程中概率依赖关系的建模，有效捕捉了这些影响。
• 该模型支持在外部干预下对计划演化进行推理，这一能力在多数先前方法中均缺失。
• 通过动态建模计划执行过程，该框架在复杂真实场景中支持更稳健、更具适应性的识别。
• 该方法支持构建能够实时追踪并响应用户计划演化的智能辅助系统。
• 与基于规则或静态计划形式化的模型相比，该模型在处理不确定性及交错动作序列方面表现更优。