[论文解读] Learning First-Order Symbolic Planning Representations That Are Grounded

Andrés Occhipinti Liberman, Blai Bonet+1 more|arXiv (Cornell University)|Apr 25, 2022

AI-based Problem Solving and Planning被引用 5

一句话总结

本文提出了一种新颖的方法，通过答案集编程（ASP）从解析的2D图像中学习清晰、一阶的符号规划模型。通过结合组合学习与基于图像的接地，该方法实现了对由图像对定义的新实例的泛化，在Blocks、Sokoban、Hanoi和网格领域中实现了高精度规划，且仅需极少的人工标注谓词。

ABSTRACT

Two main approaches have been developed for learning first-order planning (action) models from unstructured data: combinatorial approaches that yield crisp action schemas from the structure of the state space, and deep learning approaches that produce action schemas from states represented by images. A benefit of the former approach is that the learned action schemas are similar to those that can be written by hand; a benefit of the latter is that the learned representations (predicates) are grounded on the images, and as a result, new instances can be given in terms of images. In this work, we develop a new formulation for learning crisp first-order planning models that are grounded on parsed images, a step to combine the benefits of the two approaches. Parsed images are assumed to be given in a simple O2D language (objects in 2D) that involves a small number of unary and binary predicates like "left", "above", "shape", etc. After learning, new planning instances can be given in terms of pairs of parsed images, one for the initial situation and the other for the goal. Learning and planning experiments are reported for several domains including Blocks, Sokoban, IPC Grid, and Hanoi.

研究动机与目标

• 通过将一阶动作模式在解析图像上进行接地，弥合组合符号规划与深度学习之间的差距。
• 实现对由图像对定义的新规划实例的泛化，而不仅限于训练数据。
• 从具有视觉接地的非结构化状态序列中，同时学习领域谓词和动作模式。
• 生成可解释、人类可读的规划模型，类似于手工编码的模型，同时保持对视觉输入的鲁棒性。

提出的方法

• 将学习问题表述为在包含一元和二元视觉谓词的简单O2D语言中，对解析图像表示进行答案集编程（ASP）任务。
• 采用状态转移的结构化表示，其中每个状态通过对象关系（例如，'left'、'above'、'shape'）在2D布局中描述。
• 应用约束以确保动作应用能正确地从一个状态映射到下一个状态，强制与观察到的转移保持一致。
• 施加对称性打破和优化规则，以偏好更简单、更紧凑的模型，预条件、效果和非静态谓词更少。
• 采用一种接地机制，将学习到的符号谓词映射到视觉特征，从而实现在新基于图像的实例上的评估。
• 利用ASP求解器联合推断动作模式、谓词及其在视觉输入空间中的接地。

实验结果

研究问题

• RQ1 能否从非结构化状态序列中学习一阶符号规划模型，同时在视觉输入表示上进行接地？
• RQ2 将学习到的谓词在解析的2D图像上进行接地，是否能实现在训练期间未见过的新规划实例的零样本泛化？
• RQ3 所学习的模型能否同时实现可解释性（如手工编码模型）和对视觉变化的鲁棒性（如深度学习模型）？
• RQ4 该方法在包含Blocks、Sokoban和Hanoi等不同对象数量的多样化领域中如何扩展？
• RQ5 归纳偏差（例如，简洁性、最小性）对所学习规划模型的质量和泛化能力有何影响？

主要发现

• 该方法成功学习了可解释的一阶动作模式和在解析2D图像上接地的谓词，实现了对新基于图像实例的规划。
• 所学习的模型能够泛化到训练期间未见过的更多对象的实例，展示了强大的零样本泛化能力。
• 该方法在多个领域（包括Blocks、Sokoban、IPC Grid和Hanoi）中均实现了高精度的规划问题求解，仅使用基于图像的状态描述。
• 使用ASP结合对称性打破和优化约束，生成了紧凑、最小化的模型，其预条件和效果数量少于基线方法。
• 接地机制确保学习到的谓词在语义上与视觉特征（例如，'left'、'above'）对齐，从而在新图像上实现正确评估。
• 在平衡可解释性与泛化能力方面，该方法优于纯组合或基于深度学习的方法，尤其在复杂的视觉领域中表现更优。