선형 프로그래밍을 통한 목표 인식

목표 인식은 관찰자가 주체 에이전트의 행동을 순차적인 관찰로 제공된 계획에 구체화된 목표를 식별하는 작업입니다. 계획하는 목표 인식에 대한 연구는 계획 작업의 모델, 관찰 및 목표에 대한 추론을 포함하며, 계획 기술을 사용하여 매우 효율적인 인식 접근 방식을 생성합니다. 이 문서에서는 새로운 제약 조건을 제안하고 이론적 및 경험적으로 제약 조건의 속성을 분석하는 Operator-Counting 프레임워크에 기반한 신규 인식 접근 방식을 설계합니다. Operator-Counting 프레임워크는 정수/선형 프로그래밍(IP/LP)을 사용하여 목표 도달 비용의 휴리스틱 추정을 효율적으로 계산하는 기술입니다. 이론적 측면에서 우리는 새로운 제약이 관찰과 일치하는 계획의 비용에 대한 하한을 제공한다는 것을 증명합니다. 또한 우리는 새로운 제약이 해결의 질을 개선하는 방법을 평가하기 위한 광범위한 실증적 평가를 제공하며, 이 제약이 해결의 일부가 될 가능성이 낮은 목표를 결정하는 데 특히 유용하다는 것을 발견했습니다. 우리의 새로운 인식 접근 방식에는 두 가지 중요한 이점이 있습니다: 첫째, 목표를 효율적으로 인식하기 위해 새로운 IP/LP 제약을 사용합니다. 둘째, 우리는 새로운 IP/LP 제약이 부분적이고 잡음이 있는 관측 하에서 목표 인식을 어떻게 개선할 수 있는지를 보여줍니다.