[论文解读] PDDL+ Planning via Constraint Answer Set Programming

Marcello Balduccini, Daniele Magazzeni+1 more|arXiv (Cornell University)|Aug 31, 2016

Logic, Reasoning, and Knowledge参考文献 7被引用 6

一句话总结

本文提出了一种基于约束答案集编程（CASP）的PDDL+规划新方法，将PDDL+领域编码为CASP问题，以处理线性和非线性混合动力学。该方法利用ezcsp求解器，在基准问题上表现出具有竞争力的性能，优于dReal和UPMurphi，且在效率上接近SMTPlan+。

ABSTRACT

PDDL+ is an extension of PDDL that enables modelling planning domains with mixed discrete-continuous dynamics. In this paper we present a new approach to PDDL+ planning based on Constraint Answer Set Programming (CASP), i.e. ASP rules plus numerical constraints. To the best of our knowledge, ours is the first attempt to link PDDL+ planning and logic programming. We provide an encoding of PDDL+ models into CASP problems. The encoding can handle non-linear hybrid domains, and represents a solid basis for applying logic programming to PDDL+ planning. As a case study, we consider the EZCSP CASP solver and obtain promising results on a set of PDDL+ benchmark problems.

研究动机与目标

• 通过将PDDL+规划与逻辑编程相结合，利用约束答案集编程（CASP）建模具有混合离散-连续动力学的混合领域。
• 开发PDDL+模型到CASP问题的一般性编码，支持线性和非线性连续过程及事件。
• 使用ezcsp CASP求解器在标准PDDL+基准问题上评估该方法的可行性和性能。
• 为未来扩展逻辑编程技术至PDDL+规划（包括不确定性与非确定性效应支持）奠定基础。

提出的方法

• 本文将PDDL+组件——动作、事件、过程、前提条件和效果——编码为带有数值约束的ASP规则，以表示连续动力学。
• 连续不变量在离散化时间点上进行检查，遵循“离散化并验证”策略，使用VAL工具验证解的有效性并指导细化。
• 通过在CASP框架中表达微分方程和实值变量上的约束，该编码支持线性和非线性连续动力学。
• 该方法使用ezcsp求解器，其原生支持非线性约束和实数，从而能够处理复杂的混合行为。
• 通过将时间建模为离散点，实现时间推理，动作持续时间和过程演化在这些时间点上被追踪。
• 系统采用验证循环：候选解通过VAL工具检查正确性，若无效，则增加时间粒度以细化解。

实验结果

研究问题

• RQ1 约束答案集编程（CASP）能否有效用于建模和求解具有混合离散-连续动力学的PDDL+规划问题？
• RQ2 基于CASP的方法与SMTPlan+、dReal和UPMurphi等现有最先进PDDL+规划器相比，性能如何？
• RQ3 CASP在多大程度上能够处理PDDL+领域中的非线性连续动力学和复杂混合行为？
• RQ4 当应用于复杂度逐渐增加的基准问题时，CASP编码的可扩展性和鲁棒性特征如何？

主要发现

• CASP方法在所有线性和非线性PDDL+基准测试中均优于dReal和UPMurphi，ezcsp在非线性情况下比dReal快几个数量级。
• 在线性情况下，ezcsp比dReal快约3倍，比UPMurphi慢2–3倍；但在非线性情况下，ezcsp显著优于UPMurphi（后者仅解决了第一个实例，且性能几乎差两个数量级）。
• SMTPlan+比ezcsp快约1–2个数量级，在非线性情况下多解决了一个实例，表明其性能强劲但尚未达到最优。
• ezcsp/estim变体表现出意外行为：在非线性情况下优于其他ezcsp编码，尽管最终超时，提示存在进一步优化潜力。
• 该方法在问题复杂度增加时表现出良好的鲁棒性，执行时间无显著增长，表明在测试范围内具有良好的可扩展性。
• 结果证实CASP是PDDL+规划中可行且有前景的范式，尤其适用于非线性领域，并为未来扩展至不确定性与非确定性提供了坚实基础。