view in publisher's site

iFALCON: A neural architecture for hierarchical planning

Hierarchical planning is an approach of planning by composing and executing hierarchically arranged predefined plans on the fly to solve some problems. This approach commonly relies on a domain expert providing all semantic and structural knowledge. One challenge is how the system deals with incomplete ill-defined knowledge while the solution can be achieved on the fly. Most symbolic-based hierarchical planners have been devised to allow the knowledge to be described expressively. However, in some cases, it is still difficult to produce the appropriate knowledge due to the complexity of the problem domain especially if the missing knowledge must be acquired online. This paper presents a novel neural-based model of hierarchical planning that can seek and acquire new plans online if the necessary knowledge are lacking. It enables all propositions and descriptions of plans to be computed and learnt simultaneously as inherent features of the model rather than discretely processed like in most symbolic approaches. Using a multi-channel adaptive resonance theory (fusion ART) neural network as the basic building block of the architecture and a new representation technique called gradient encoding, the so-called iFALCON architecture can capture and manipulate sequential and hierarchical relations of plans on the fly. Case studies using blocks world domain and an agent in Unreal Tournament video game demonstrate that the model can be used to execute, plan, and discover new plans through experiences.

iFALCON: یک ساختار عصبی برای برنامه‌ریزی سلسله مراتبی

برنامه‌ریزی سلسله مراتبی یک رویکرد برنامه‌ریزی با ترکیب و اجرای برنامه‌های از پیش تعیین‌شده سلسله مراتبی در پرواز برای حل برخی از مشکلات است. این رویکرد معمولا بر یک متخصص دامنه متکی است که تمام دانش معنایی و ساختاری را فراهم می‌کند. یک چالش این است که چگونه سیستم با دانش ناقص بد تعریف‌شده سر و کار دارد در حالی که راه‌حل می‌تواند در پرواز به دست آید. بیشتر برنامه ریزان سلسله مراتبی مبتنی بر نمادین ابداع شده‌اند تا اجازه دهند دانش به طور گویا توصیف شود. با این حال، در برخی موارد، هنوز هم تولید دانش مناسب به دلیل پیچیدگی دامنه مساله دشوار است، به خصوص اگر دانش از دست رفته باید به صورت آنلاین به دست آید. این مقاله یک مدل جدید مبتنی بر عصبی از برنامه‌ریزی سلسله مراتبی ارائه می‌دهد که اگر دانش لازم وجود نداشته باشد می‌تواند به صورت آنلاین به دنبال یافتن و به دست آوردن برنامه‌های جدید باشد. این امر امکان محاسبه و یادگیری همزمان همه گزاره‌ها و توصیفات برنامه‌ها به عنوان ویژگی‌های ذاتی مدل به جای پردازش به صورت مجزا مانند اکثر رویکردهای نمادین را فراهم می‌سازد. با استفاده از یک نظریه تشدید تطبیقی چند کاناله (ادغام ART)شبکه عصبی به عنوان بلوک اصلی ساختمان معماری و یک تکنیک نمایش جدید به نام کدگذاری گرادیان، معماری به اصطلاح iFALCON می‌تواند روابط متوالی و سلسله مراتبی برنامه‌ها را در پرواز تسخیر و دستکاری کند. مطالعات موردی با استفاده از دامنه جهانی و یک عامل در بازی ویدئویی مسابقات غیر واقعی نشان می‌دهد که این مدل می‌تواند برای اجرا، برنامه‌ریزی و کشف برنامه‌های جدید از طریق تجربیات مورد استفاده قرار گیرد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Cognitive Neuroscience
  • ترجمه مقاله Cognitive Neuroscience
  • مقاله علوم عصبی شناختی
  • ترجمه مقاله علوم عصبی شناختی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.