| Resumo: | Abordagens de reconhecimento de planos e objetivos têm relaxado progressivamente os requerimentos sobre a quantidade de conhecimento de domínio e observações necessárias para o funcionamento destas abordagens, criando algoritmos precisos e eficientes. Porém, essas abordagens se baseiam em duas premissas chaves sobre as informações disponíveis para o processo de reconhecimento. Primeiro, é necessário um especialista de domínio capaz de construir conhecimento de domínio de maneira completa e correta para reconhecer o objetivo sendo buscado por um agente. Segundo, mesmo com um domínio correto e completo, a maioria das abordagens de reconhecimento de planos e objetivos são diretamente afetadas pela qualidade das observações analisadas. Enquanto abordagens clássicas de planejamento podem prover soluções para estes problemas, abordagens de aprendizado de máquina são proficientes em lidar com erros e incompletude nos dados fornecidos. Nesta tese, nós introduzimos três abordagens capazes de melhorar o desempenho de técnicas de reconhecimento de planos e objetivos. Primeiro, utilizamos aprendizado não supervisionado profundo para construir conhecimento de domínio a partir de imagens, utilizando o domínio computado para reconhecer objetivos em problemas baseados em imagens. Segundo, desenvolvemos uma abordagem para prever observações faltando em problemas de reconhecimento de objetivos, aumentando a qualidade das observações destes problemas. Terceiro, combinamos técnicas de aprendizado de máquina e planejamento clássico para construir um novo algoritmo para reconhecimento de planos e objetivos. Nesta tese, mostramos a eficácia de cada técnica desenvolvida em um conjunto diverso de domínios de planejamento, incluindo domínios baseados em imagens e domínios clássicos.
Recent approaches to goal and plan recognition have progressively relaxed the require ments about the amount of domain knowledge and available observations, yielding accurate and efficient algorithms. These approaches, however, make two key assumptions about the information available to the recognizer. First, they assume that there is a domain expert capable of building complete and correct domain knowledge to successfully recognize an agent's goal. Second, even with a complete and correct domain knowledge, most plan recognition approaches are directly affected by the quality of such observations. Such shortcomings can limit the application of such techniques in real-world applications. While symbolic approaches can provide provable solutions to such problems, learning approaches are adept at dealing with incomplete and noisy data. ln this thesis, we introduce three approaches that improve the performance of goal and plan recognition by combining learning and symbolic planning techniques. First, we use deep unsupervised learning to generate domain theories from data streams (images) and use the resulting domain theories to deal recognize goals in image-based problems. Second, we develop an approach leveraging attention networks to enhance the observation traces of goal recognition problems by predicting missing observations. Third, we combine learning and symbolic planning techniques to compensate for noise and missing observations into new and efficient goal and plan recognition techniques. We show the effectiveness of each technique in a number of domains, ranging from classical domains from planning competitions to image-based domains. |
