[论文解读] FAPE: a Constraint-based Planner for Generative and Hierarchical Temporal Planning

Arthur Bit-Monnot, Malik Ghallab+2 more|arXiv (Cornell University)|Oct 25, 2020

AI-based Problem Solving and Planning参考文献 79被引用 6

一句话总结

FAPE 是一种基于约束的时序规划器，通过整合可达性分析与因果网络，指导高效搜索，支持 ANML 建模语言的丰富特性，包括灵活的时间线和层次化任务分解。其性能与当前最先进规划器相当，尤其在存在层次化控制知识时表现更优。

ABSTRACT

Simple Temporal Networks with Uncertainty are a powerful and widely used formalism for representing and reasoning over convex temporal constraints in the presence of uncertainty called contingent constraints. Since their introduction, they have been used in planning and scheduling applications to model situations where the scheduling agent does not control some activity durations or event timings. What needs to be checked is then the controllability of the network, i.e., that there is a valid execution strategy whatever the values of the contingents. This paper considers a new type of multi-agent extension, where, as opposed to previous works, each agent manages its own separate STNU, and the control over activity durations is shared among the agents: what is called here a contract is a mutual constraint controllable for some agent and contingent for others. We will propose a semantically enriched version of STNUs that will be composed into a global Multi-agent Interdependent STNUs model. Then, controllability issues will be revisited, and we will focus on the repair problem, i.e., how to regain failed controllability by shrinking some of the shared contract durations, here in a centralized manner.

研究动机与目标

• 开发一种支持 ANML 时序建模语言全部表达能力的规划器，包括灵活的时间线和层次化任务分解。
• 通过整合有信息的启发式方法与约束传播，解决基于时间线规划的效率挑战。
• 通过新颖的可达性分析与因果网络构建，实现可扩展且高效的时序规划。
• 在标准基准上评估规划器，并与 IPC 规划器比较性能，尤其在层次化分解条件下。

提出的方法

• FAPE 使用基于计划空间的规划过程与缺陷驱动搜索，其中缺陷代表不完整或不一致的计划组件。
• 它使用约束网络表示动作与时间线之间的时序与逻辑约束。
• 可达性分析用于预先计算哪些动作可以影响其他动作，从而支持因果网络的构建，以引导搜索。
• 规划器使用实例化与细化变量来管理层次化分解与动作绑定。
• 有信息的启发式方法源自因果网络，用于优先排序搜索并减少探索空间。
• 搜索策略由可达性与因果约束引导，通过动态重排序与剪枝提升效率。

实验结果

研究问题

• RQ1 基于约束的规划器是否能有效支持 ANML 中全部的时序与层次化特性，同时不牺牲效率？
• RQ2 可达性分析在基于时间线的计划空间规划中如何减少搜索空间？
• RQ3 因果网络在时序规划中在多大程度上提升了启发式质量与搜索性能？
• RQ4 在提供层次化知识的情况下，FAPE 与 IPC 规划器在可扩展性与解质量方面相比如何？
• RQ5 在 ANML 这类基于时间线的框架中，能否有效支持规划与执行的集成？

主要发现

• FAPE 在需要复杂时序推理的基准测试中，与表达能力较弱的规划器相比表现出具有竞争力的性能。
• 层次化控制知识的整合带来了显著的性能提升，FAPE 通常优于非层次化规划器。
• 可达性分析支持因果网络的构建，有效约束了搜索空间并引导启发式评估。
• 基于因果网络导出的有信息启发式方法减少了搜索工作量并提高了收敛速度。
• 在标准 IPC 基准上的实证评估证实了规划器算法的正确性与完备性。
• FAPE 是首个公开可用的规划器，支持 ANML 的大部分表达性时序与层次化特性，支持在部分可观察领域中与执行和感知的集成。