从输入规划中学习行动成本
内容提要
本文介绍了Kc语言及其在规划任务中的应用，探讨了复杂性和逻辑程序转化的方法。研究表明，基于答案集规划的方法在解决复杂问题方面有效，并提出了结合自动学习和规划的技术，展示了在多种实验中的有效性和性能提升。
延伸解读
从K到Kc：规划语言的能力扩展
Kc语言在K语言基础上扩展了声明式规划能力，能够表示非平凡规划任务以及计算最短计划、最便宜和最快计划的组合问题。文章还研究了Kc的复杂性方面，并探讨了通过逻辑程序转化来解决规划问题的方法。实验表明，基于答案集规划的方法可能是解决复杂计划问题的有价值途径。
自动学习与规划的结合趋势
文章梳理了多项研究，显示自动学习与规划结合是重要方向。例如，通过Max SAT表达式从状态变迁中自动学习特征和抽象动作，或从含噪声的计划迹线中学习领域模型。这些方法旨在减少对人工领域知识的依赖，并已在实验中展示出有效性。
行动成本学习：降低规划门槛
行动成本难以指定是自动化规划中的常见问题。文章提到一种基于决策的学习方法，用于预测行动成本，并首次探讨了将其应用于自动规划的挑战。通过新的梯度计算和缓存机制，该方法显著提高了规划质量并降低了计算要求，为行动成本学习提供了实用方案。
理论进展：采样复杂度与模型收敛
在理论层面，文章涉及马尔科夫决策过程中学习合理策略的采样复杂度，提出了匹配下界的算法。此外，基于版本空间的动作模型学习理论表明，在完全可观察性下，给定足够示例，确定性和非确定性模型都会收敛于相同的真实模型，并在一系列规划领域中得到验证。
Q&A
Kc语言的主要特点是什么？
Kc语言扩展了K语言的声明式规划能力，能够表示复杂的规划任务，并计算最短、最便宜和最快的计划的组合问题。
基于答案集规划的方法有什么优势？
基于答案集规划的方法被认为是解决复杂计划问题的有效手段，能够处理复杂性和逻辑程序转化。
如何结合自动学习和规划来解决问题？
通过Max SAT表达式自动学习特征和抽象动作，结合非确定性规划器生成泛化计划，从而解决泛化计划问题。
什么是SAM学习条件效应的算法？
SAM学习条件效应的算法是第一个能够解决规划问题的算法，实验结果表明其在大部分领域中有效。
如何提高规划的准确性和可靠性？
通过带有多个估计器的确定性计划泛化模型，可以平衡计算时间和不确定性，从而提高规划的准确性和可靠性。
文章中提到的行动成本预测方法是什么？
提出了一种基于决策的学习方法来预测行动成本，显著提高了规划质量并降低了计算要求。
