행동 관측 없이 상태 이미지 시퀀스만으로 리프티드(lifted) 행동 모델을 학습하는 딥러닝 프레임워크를 제안한다. 상태 예측, 행동 예측, 행동 모델을 공동 학습하며, 예측 붕괴와 자기 강화 오류를 막기 위해 혼합정수계획(MILP)을 도입한다. MILP는 일부 트레이스의 예측 결과를 받아 논리적으로 일관된 상태·행동·모델을 산출하고, 그 의사 라벨로 학습을 안내한다. 다수 도메인 실험에서 MILP 보정이 지역 최적해 탈출과 전역 일관 해 수렴에 기여함을 보였다.
- •행동 관측 없이 이미지 시퀀스만으로 리프티드 행동 모델을 학습
- •상태 및 행동 예측과 행동 모델을 공동 학습하는 딥러닝 프레임워크
- •MILP로 논리적 일관성을 강제해 예측 붕괴·자기강화 오류 방지
- •MILP 의사 라벨이 지역 최적해 탈출과 전역 수렴에 기여
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Learning Lifted Action Models from Unsupervised Visual Traces
- 1.액션 관찰 없이 상태 이미지 시퀀스에서 lifted 행동 모델을 학습
- 2.상태 예측·액션 예측·행동 모델을 공동 학습하는 딥러닝 프레임워크
- 3.MILP 기반 보정으로 예측 붕괴와 자기강화 오류를 방지
- 4.여러 도메인 실험에서 전역 일관성 해로 수렴함을 확인
왜 중요한가?
수작업 모델링 없이 시각 관측만으로 AI 플래닝용 행동 모델을 학습할 수 있게 해 실세계 도메인 적용 장벽을 낮춤
언급 프로젝트
본문 미리보기
arXiv:2604.19043v1 Announce Type: new Abstract: Efficient construction of models capturing the preconditions and effects of actions is essential for applying AI planning in real-world domains. Extensive prior work has explored learning such models from high-level descriptions of state and/or action sequences. In this paper, we tackle a more challenging setting: learning lifted action models from sequences of state images, without action observation. We propose a deep learning framework that joi
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
