抽象隠れマルコフモデルにおける政策認識

本論文では、動的でノイズの多い不確実な領域におけるエージェントの行動を認識するための方法を提示し、複数の抽象レベルにわたる問題を扱います。この問題を不確実性下でのオンライン計画認識と呼び、エージェントの計画実行を表す確率過程に対する確率的推論として一般的に見なします。本論文での貢献は二つあります。確率的推論に関して、我々は抽象隠れマルコフモデル（AHMM）という新しいタイプの確率過程を紹介し、その動的ベイジアンネットワーク（DBN）構造を提供し、このネットワークの特性を分析します。次に、AHMMに対してRao-Blackwell化された粒子フィルタの応用を説明し、このモデルのための効率的なハイブリッド推論方法を構築することを可能にします。計画認識に関しては、AHMMを計画実行モデルとして基盤とした新しい計画認識フレームワークを提案します。AHMMのRao-Blackwell化されたハイブリッド推論は、計画実行モデルに固有の独立性の特性を活用することができ、計画階層のレベル数に応じてスケーラブルなオンライン確率的計画認識アルゴリズムへと導きます。これは、計画実行のための確率モデルが複雑であっても、特別な構造を示し、それを利用することで効率的な計画認識アルゴリズムにつながる可能性があることを示しています。私は、分散型ビデオ監視データを使用した複雑な空間環境における行動認識システムを通じて、AHMMフレームワークの有用性を示します。