From Reals to Logic and Back: Inventing Symbolic Vocabularies, Actions, and Models for Planning from Raw Data

这篇论文介绍了第一种方法，可以自主地从未注释的高维实值机器人轨迹开始学习可推广的基于逻辑的关系表示，用于抽象状态和行动。学习到的表示构成了自动发明的PDDL类似的领域模型。在确定性环境中的实证结果表明，仅从少量机器人轨迹中就可以学习到强大的抽象表示；学习到的关系表示包括但不限于高级行动的经典直觉概念；学习到的模型使得规划算法能够扩展到以前超出手工抽象范围的任务。同时，手工制作的基于逻辑的状态和行动表示已经广泛用于克服长期机器人规划问题的难以计算的复杂性，包括任务和运动规划问题。但是，创建这样的表示需要具有强烈直觉和详细知识的专家，了解机器人和其可能在给定环境中需要完成的任务。消除对人类直觉的依赖是一个非常活跃的研究领域。

论文旨在解决长期规划问题中，手工制作逻辑模型的复杂性和依赖人类直觉的问题，提出一种自动学习逻辑关系表示的方法。

通过自动学习逻辑关系表示，从未经标注的高维实值机器人轨迹中构建PDDL领域模型，使得规划算法可以扩展到之前无法处理的任务。

论文使用少量机器人轨迹学习到了强大的抽象表示，这些表示包括但不限于高级动作的经典直觉概念，实验结果表明该方法具有很好的泛化性能。论文提出的方法可以用于解决长期规划问题，而不需要手工制作逻辑模型。论文还提供了数据集和开源代码。

近期相关研究包括使用深度学习方法进行规划、使用强化学习进行规划等，例如《Learning to Plan with Uncertain Topological Maps》、《Learning to Plan by Predicting the Future》等。