AAAI 论文：概率化分层目标网络规划，压缩搜索在随机环境中收敛更快
xuanalogue · x · 2026-09-16
马里兰大学与美国海军研究实验室发表在 AAAI 的论文《Probabilistic Hierarchical Goal Network Planning with UCT》将分层目标网络（HGN）扩展到随机规划场景：
- 提出带动作插入语义的概率化 HGN 形式化方法，让概率规划器能利用目标分解中的领域知识。
- 设计两种基于 UCT 的求解算法：一种渐近最优，另一种是按层级中各目标分别优化值的压缩共享值方法。
- 在 FOND HTN 文献改造的基准域上实验，发现更大规模问题上压缩搜索收敛更快、表现优于渐近最优搜索，说明压缩在带随机动作结果的 anytime 场景下可能更有效。
帖子上下文中还提到另一篇目标驱动分层 RL 的小论文（结合 ACGVF 与分层 HMM，尚无实验），两篇工作共享「目标可作为智能体内部动作被选择」这一假设。
「研究」频道最新
- 研究发现知识蒸馏在 mid-training 阶段牺牲事实记忆换推理 — LukeZettlemoyer · 2026-09-16
- 首个 AI for Science 大规模数据报告发布：早期洞察首次公开 — soumitrashukla9 · 2026-09-16
- MIT 团队 Dataset Distillation 新作将至,以毕加索等画家风格展示蒸馏数据集 — giannis_daras · 2026-09-16
- 研究显示：更好的预训练显著提升机器人策略的真实完成率与鲁棒性 — chris_j_paxton · 2026-09-16
- Rhoda 用数千次实验证明网络视频预训练提升机器人真实性能 — chris_j_paxton · 2026-09-16
- 极简 DIY：用多项式拟合加硬币式 RLHF 探索语言模型的解释性 — cephaloform · 2026-09-16