[论文解读] h-approximation: History-Based Approximation of Possible World Semantics as ASP

Manfred Eppe, Mehul Bhatt+1 more|arXiv (Cornell University)|Apr 17, 2013

AI-based Problem Solving and Planning参考文献 23被引用 3

一句话总结

本文提出了 h-近似（h-approximation），一种基于历史的可能世界语义（PWS）近似方法，支持在认知规划中实现对异常事件的容错性后向推理（elaboration-tolerant postdiction）。通过将形式化系统转化为答案集编程（ASP），该方法将计划存在性问题的复杂度降低至 NP，同时支持对过去事件的推理，例如在机器人规划场景中通过后向推理检测异常行为。

ABSTRACT

We propose an approximation of the Possible Worlds Semantics (PWS) for action planning. A corresponding planning system is implemented by a transformation of the action specification to an Answer-Set Program. A novelty is support for postdiction wrt. (a) the plan existence problem in our framework can be solved in NP, as compared to $Σ_2^P$ for non-approximated PWS of Baral(2000); and (b) the planner generates optimal plans wrt. a minimal number of actions in $Δ_2^P$. We demo the planning system with standard problems, and illustrate its integration in a larger software framework for robot control in a smart home.

研究动机与目标

• 为解决在认知规划中完整可能世界语义（PWS）的高计算复杂度问题，特别是针对动作语言 A_k 的计划存在性问题达到 Σ₂^P 完全性。
• 开发一种 PWS 的近似方法，支持后向推理——这对故障诊断和异常检测至关重要——且不依赖于临时的、非容错的编码方式。
• 确保在新增动作或约束等领域扩展下，对过去事件的信念推理依然保持准确性和可扩展性。
• 将该形式化系统集成到基于答案集编程（ASP）的实际规划系统中，利用现成的求解器支持顺序和条件规划。
• 在真实世界认知机器人场景中验证该方法，具体为在配备机器人轮椅的智能家居环境中，处理门开启异常问题。

提出的方法

• h-近似（HPX）形式化通过基于历史的方法建模对过去的认知，其中知识通过后向推理和惯性定律不断精炼。
• 该框架扩展了动作语言 A_k，引入时间查询语义（A_k TQS），以表达对过去状态的知识，从而实现与完整 PWS 的正式对比。
• HPX 语义被编码为答案集程序（ASP），将认知与动态推理转化为稳定模型语义，以实现高效计算。
• 后向推理通过规则实现，基于观测到的传感器结果和先验知识，推断过去的异常状态（如 ab_open），并利用分支结构建模多种可能的历史路径。
• 系统在 ASP 中使用分支结构，其中每个分支代表一种可能的历史路径，通过知识传播和惯性规则实现传感结果在分支间的知识传递。
• 该方法利用前向和后向惯性规则，在时间步长和分支之间维持并更新对世界状态的认知，从而支持对过去必然为真的状态进行推理。

实验结果

研究问题

• RQ1 能否设计一种 PWS 近似方法，使得后向推理在计算上可行且具备容错性？
• RQ2 h-近似形式化在推理过去状态时是否能保持认知准确性，特别是在观测不完整或存在异常的情况下？
• RQ3 该形式化下的计划存在性问题是否可被解为 NP 问题，而非完整 PWS 的 Σ₂^P 完全性？
• RQ4 如何在不依赖人工编写、领域特定规则的前提下，系统性地将后向推理编码进基于逻辑的规划系统？
• RQ5 h-近似能否有效集成到认知机器人框架中，实现在智能家居环境中实时、高层级的控制？

主要发现

• 在 h-近似下，计划存在性问题可被解为 NP 问题，相较于完整 PWS 在 A_k 下的 Σ₂^P 完全性，有显著改进。
• 该框架支持容错性后向推理，使系统能从当前观测中推断出过去的异常状态（如门被卡住），而无需硬编码领域特定规则。
• 在智能家居案例研究中，系统成功后向推断出在 t=2 时刻门是开启的，依据是其在更晚时间 t'>2 时位于门后。
• ASP 实现正确推断出：若门在 t=1 时开启但在 t=2 时未开启，则开启动作必然失败，从而检测出异常（ab_open）。
• 当检测到门被阻塞时，系统成功生成了替代路径，展示了在真实机器人控制场景中功能性后向推理的能力。
• 尽管计划存在性问题为 NP 完全，但 ASP 实现的效率仍低于专用的 PDDL 求解器（如 CFF），提示未来工作需探索将 PDDL 启发式方法集成到 ASP 中。