[论文解读] Synthesizing Robust Plans under Incomplete Domain Models

Tuan Anh Nguyen, Subbarao Kambhampati+1 more|arXiv (Cornell University)|Apr 27, 2011

AI-based Problem Solving and Planning参考文献 27被引用 22

一句话总结

本文提出一种在不完整领域模型下生成鲁棒计划的方法，通过领域专家标注的可能先决条件和效果来形式化计划鲁棒性。该方法将鲁棒规划问题编译为使用Probabilistic-FF的合致概率规划问题，证明即使在领域模型部分指定的情况下，也能合成具有保证成功概率的计划。

ABSTRACT

Most current planners assume complete domain models and focus on generating correct plans. Unfortunately, domain modeling is a laborious and error-prone task. While domain experts cannot guarantee completeness, often they are able to circumscribe the incompleteness of the model by providing annotations as to which parts of the domain model may be incomplete. In such cases, the goal should be to generate plans that are robust with respect to any known incompleteness of the domain. In this paper, we first introduce annotations expressing the knowledge of the domain incompleteness, and formalize the notion of plan robustness with respect to an incomplete domain model. We then propose an approach to compiling the problem of finding robust plans to the conformant probabilistic planning problem. We present experimental results with Probabilistic-FF, a state-of-the-art planner, showing the promise of our approach.

研究动机与目标

• 解决在完整领域模型因建模复杂性而难以或不可行的领域中计划合成的挑战。
• 形式化在不完整领域模型下计划的鲁棒性，其中领域专家可标注潜在缺失的先决条件和效果。
• 开发一种编译技术，将不完整模型下的鲁棒规划问题转化为合致概率规划问题。
• 使规划器能够生成在所有可能的完整领域模型实例下均以高概率成功的计划。
• 在基准领域上对方法进行实证评估，以评估其在不同不完整程度和鲁棒性要求下的可扩展性和有效性。

提出的方法

• 在动作中引入可能先决条件、可能添加效果和可能删除效果的标注，每种标注均关联一个权重，表示领域建模者对其可能性的信念。
• 将不完整领域模型形式化为一组可能的完整模型，其中每个可能条件的组合构成一个独立的完整模型。
• 将计划鲁棒性定义为在该计划成功的所有完整模型上的累积概率质量。
• 通过将可能条件编码为具有给定权重的概率效果，将鲁棒规划问题编译为合致概率规划问题。
• 利用最先进的合致规划器Probabilistic-FF求解编译后的问题，生成具有保证鲁棒性水平的计划。
• 在规划器中使用加权模型计数和可满足性测试，以在搜索过程中估计成功模型的概率质量。

实验结果

研究问题

• RQ1 在包含可能先决条件和效果的不完整领域模型背景下，如何正式定义计划鲁棒性？
• RQ2 现有合致概率规划器在通过编译技术用于在不完整领域模型下合成鲁棒计划方面，其适用程度如何？
• RQ3 随着可能条件数量的增加，将鲁棒规划编译为概率规划的可扩展性限制是什么？
• RQ4 在现实场景中，不同制造商（或材料类型）的数量如何影响合成计划的鲁棒性和长度？
• RQ5 在哪些类型的领域中，该编译方法能产生有效且高效的鲁棒计划，而在哪些领域中由于随机或稀疏标注而存在局限性？

主要发现

• 该编译方法在Logistics和Satellite等领域中成功生成了具有期望鲁棒性水平（例如ρ = 0.6）的计划，即使领域模型不完整。
• 在Logistics领域中，使用来自5家不同制造商的机器人可使装载集装箱的成功概率提高至1 - 0.7^5 ≈ 0.997，但规划器有时会使用多于必要的机器人，例如在ρ = 0.4时使用5台而非3台。
• 随着鲁棒性要求提高，计划长度也随之增加：在Satellite领域中，当m = 3时，ρ = 0.6的计划需要53个动作，而ρ = 0.5时仅需37个动作。
• 随着不完整性的增加，搜索时间显著上升：当m = 5时，生成一个37个动作、ρ = 0.6的计划耗时216.7秒，而当m = 4时仅需94.1秒。
• 当m = 5且ρ = 0.7时，尽管解空间中存在鲁棒性为0.7075的解，但规划器在时间限制内未能找到任何解，表明存在可扩展性瓶颈。
• 在随机引入不完整性的领域（如Depots、ZenoTravel）中，由于标注稀疏或无结构，规划器难以提高鲁棒性，导致该编译方法的有效性降低。