[论文解读] Drake: An Efficient Executive for Temporal Plans with Choice

Patrick R. Conrad, Brian C. Williams|arXiv (Cornell University)|Jan 18, 2014

AI-based Problem Solving and Planning参考文献 40被引用 37

一句话总结

Drake 是一种用于具有离散选择的时间计划的动态执行器，通过借鉴 ATMS 的思想，采用紧凑的带标签值集维护系统，实现了高效率。它将编译后计划表示的大小相比以往工作减少了 500 多倍，同时仅带来适度的运行时延迟增加，利用非支配约束维护实现复杂时间规划场景下的可扩展执行。

ABSTRACT

This work presents Drake, a dynamic executive for temporal plans with choice. Dynamic plan execution strategies allow an autonomous agent to react quickly to unfolding events, improving the robustness of the agent. Prior work developed methods for dynamically dispatching Simple Temporal Networks, and further research enriched the expressiveness of the plans executives could handle, including discrete choices, which are the focus of this work. However, in some approaches to date, these additional choices induce significant storage or latency requirements to make flexible execution possible. Drake is designed to leverage the low latency made possible by a preprocessing step called compilation, while avoiding high memory costs through a compact representation. We leverage the concepts of labels and environments, taken from prior work in Assumption-based Truth Maintenance Systems (ATMS), to concisely record the implications of the discrete choices, exploiting the structure of the plan to avoid redundant reasoning or storage. Our labeling and maintenance scheme, called the Labeled Value Set Maintenance System, is distinguished by its focus on properties fundamental to temporal problems, and, more generally, weighted graph algorithms. In particular, the maintenance system focuses on maintaining a minimal representation of non-dominated constraints. We benchmark Drakes performance on random structured problems, and find that Drake reduces the size of the compiled representation by a factor of over 500 for large problems, while incurring only a modest increase in run-time latency, compared to prior work in compiled executives for temporal plans with discrete choices.

研究动机与目标

• 解决在自主智能体中执行具有离散选择的时间计划所面临的高存储和延迟成本问题。
• 在保持效率的同时，实现在不确定性下的动态、响应式计划执行。
• 在不牺牲执行速度的前提下，减少带选择的时间计划的内存占用。
• 利用时间问题和加权图的结构特性，实现紧凑的约束表示。
• 开发一种标签系统，避免在计划执行中产生冗余推理和存储。

提出的方法

• 该系统基于假设性真值维护系统（ATMS）的概念，采用带标签值集维护系统（LVMS）。
• 通过维护非支配约束的最小化表示，避免推理和存储中的冗余。
• 该方法通过预处理步骤离线编译计划，以实现在线执行时的低延迟。
• 标签用于追踪离散选择的推论结果，从而实现高效的约束传播和回溯。
• 该方法聚焦于时间问题和加权图算法的基本特性。
• 它利用计划结构，以紧凑方式编码依赖关系和选择，最大限度减少存储开销。

实验结果

研究问题

• RQ1 如何在低延迟和最小内存使用的情况下高效执行具有离散选择的时间计划？
• RQ2 哪些紧凑表示技术能够在动态计划执行中保持非支配约束？
• RQ3 基于 ATMS 的标签系统在多大程度上能减少时间计划约束推理中的冗余？
• RQ4 与以往针对带选择的时间计划的编译执行器相比，所提系统在大小和速度方面表现如何？
• RQ5 该标签系统在大规模、结构化的时间规划问题中是否能保持可扩展性，且性能不会显著下降？

主要发现

• 对于大规模问题，Drake 相比以往工作将编译后计划表示的大小减少了超过 500 倍。
• 尽管存储量显著减少，该系统仅带来适度的运行时延迟增加。
• 带标签值集维护系统能有效维持非支配约束，且冗余极少。
• 该方法在复杂时间规划场景中成功平衡了低延迟执行与紧凑内存使用。
• 在随机结构化问题上的基准测试证实，该方法在大规模实例中实现了可扩展性和效率提升。
• 该方法在存储效率和执行响应速度方面均表现出色，适用于实时自主系统。