Goal recognition over imperfect domain models

Abstract

Reconhecimento de objetivos é definido como a tarefa de reconhecer o objetivo o qual agentes autônomos ou humanos visam alcançar a partir de observações de seu comportamento em um ambiente. Nos últimos anos, a grande maioria das abordagens para reconhecimento de objetivos e planos tem ignorado a necessidade de lidar com imperfeições em modelos de domínios que formalizam o ambiente onde agentes autônomos planejam e agem para alcançar seus objetivos. Nesta tese, introduzimos o problema de reconhecimento em modelos de domínio com imperfeições, e desenvolvemos abordagens que explicitamente lidam com dois tipos distintos de modelos de domínio com imperfeições: (1) modelos de domínio discretos e incompletos, onde as partes incompletas do domínio são anotadas na descrição das ações, usando possíveis precondições e efeitos na descrição das ações; e (2) modelos de domínio contínuos aproximados, onde a função de transição não é bem definida e é aproximada a partir de observações passadas. As abordagens que desenvolvemos são inovadoras e exploram técnicas conhecidas da literatura de . Experimentos e avaliações mostram que as abordagens que desenvolvemos nesta tese são acuradas quando comparadas a outras abordagens base da literatura, sob diversos níveis de observabilidade e imperfeições.

Goal recognition is the problem of recognizing the intended goal of autonomous agents or humans by observing their behavior in an environment. Over the past years, most existing approaches to goal and plan recognition have been ignoring the need to deal with imperfections regarding the domain model that formalizes the environment where autonomous agents behave. In this thesis, we introduce the problem of goal recognition over imperfect domain models, and develop solution approaches that explicitly deal with two distinct types of imperfect domains models: (1) incomplete discrete domain models that have possible, rather than known, preconditions and effects in action descriptions; and (2) approximate continuous domain models, where the transition function is approximated from past observations and not well-defined. We develop novel goal recognition approaches over imperfect domains models by leveraging and adapting existing recognition approaches from the literature. Experiments and evaluation over these two types of imperfect domains models show that our novel goal recognition approaches are accurate in comparison to baseline approaches from the literature, at several levels of observability and imperfections.