[论文解读] Physical problem solving: Joint planning with symbolic, geometric, and dynamic constraints

Ilker Yildirim, Tobias Gerstenberg+3 more|arXiv (Cornell University)|Jul 25, 2017

Artificial Intelligence in Games参考文献 9被引用 15

一句话总结

本文提出了一种计算模型，整合了符号规划、几何运动合成与物理仿真，以解释人类积木重配置行为。该模型通过联合优化符号复杂度、物理稳定性和努力效率，准确预测了参与者实际的物理动作以及对单手与双手操作的心理模拟，与人类数据具有高度定量一致性（r = .68–.74）。

ABSTRACT

In this paper, we present a new task that investigates how people interact with and make judgments about towers of blocks. In Experiment~1, participants in the lab solved a series of problems in which they had to re-configure three blocks from an initial to a final configuration. We recorded whether they used one hand or two hands to do so. In Experiment~2, we asked participants online to judge whether they think the person in the lab used one or two hands. The results revealed a close correspondence between participants' actions in the lab, and the mental simulations of participants online. To explain participants' actions and mental simulations, we develop a model that plans over a symbolic representation of the situation, executes the plan using a geometric solver, and checks the plan's feasibility by taking into account the physical constraints of the scene. Our model explains participants' actions and judgments to a high degree of quantitative accuracy.

研究动机与目标

• 研究人类在符号、几何与动力学约束下，如何规划并执行物体的物理操作，例如积木塔的重配置。
• 理解直觉性物理问题解决背后的心理机制，特别是高层规划与底层物理可行性之间的相互作用。
• 开发一种计算模型，通过统一的符号、几何与物理推理框架，解释人类观察到的实际动作与动作的心理模拟。
• 检验物理稳定性与努力效率是否为解释人类在物理操作任务中行为与判断的必要组成部分。
• 对比人类在数据效率与灵活性方面相对于数据密集型深度学习方法的优势，凸显常识推理在人类问题解决中的作用。

提出的方法

• 该模型使用符号表示初始与最终的积木配置，以生成高层级的动作规划，包括子目标与移动序列。
• 几何求解器从符号规划中合成运动轨迹，模拟在双臂机器人上的执行过程。
• 物理引擎验证每个中间状态的物理稳定性，若结果为不稳定状态则予以拒绝，除非可实现恢复。
• 模型计算一个综合得分，结合符号复杂度、努力成本（多块移动时为0.5）与不稳定性恢复成本（不稳定中间状态时为0.5）。
• 动作选择通过softmax函数对所有有效解进行概率建模，成本越低的方案（如单手方案）越可能被选择。
• 模型通过与实验室观察到的动作及在线参与者对这些动作的心理模拟进行对比评估，采用皮尔逊相关系数与自 resampling 的引导性假设检验。

实验结果

研究问题

• RQ1 人们在重配置积木塔时如何决定使用单手还是双手？哪些因素影响这一决策？
• RQ2 物理稳定性与努力效率在解释人类在物理问题解决中的实际动作与心理模拟方面，其贡献程度如何？
• RQ3 能否通过统一整合符号、几何与物理推理的模型，准确预测人类行为与心理模拟？
• RQ4 在仅依赖符号规划与效率的前提下，是否仍需引入物理稳定性推断，才能解释人类判断？
• RQ5 该模型在性能上与省略物理推断或效率考量的简化版本相比如何？

主要发现

• 完整模型（整合符号规划、几何运动合成与物理稳定性检查）与参与者在实验室中的实际动作相关性达到 r = .68。
• 在实验2中，模型对心理模拟的预测与在线参与者判断的相关性为 r = .74，显著优于忽略物理稳定性的模型或忽略努力成本的模型。
• 物理稳定性推断是解释参与者判断的必要条件，因为不包含该机制的模型在直接假设检验中表现显著更差（p < .05）。
• 引入努力效率可提升模型拟合度，尤其在心理模拟方面；然而，高效方案与所有解方案之间的差异仅呈边际显著（p = .06）。
• 省略物理推断的病变模型性能劣于完整模型，证实物理可行性是人类问题解决中的关键约束。
• 参与者仅在单手方案需要显著更高努力时才使用双手，表明努力最小化在物理操作任务中指导动作选择。