Goal and Plan Recognition Dataset

该数据集用于评估使用规划技术的目标/计划识别方法。包含15个具有缺失和完整观测的数据集，以及4个具有缺失和噪声观测的数据集。每个.tar.bz2文件代表一个目标/计划识别问题，包含域描述、初始状态、候选目标集、正确隐藏目标和观测序列。观测序列可以是完整的或部分的，部分观测序列代表具有10%、30%、50%或70%观测的计划。对于具有噪声观测的问题，部分观测序列代表具有25%、50%或75%观测的计划。

This dataset is designed for evaluating goal/plan recognition methods utilizing planning techniques. It comprises 15 datasets with both missing and complete observations, alongside 4 datasets featuring missing and noisy observations. Each .tar.bz2 file encapsulates a goal/plan recognition challenge, including domain descriptions, initial states, candidate goal sets, the correct hidden goal, and observation sequences. These observation sequences may be either complete or partial, with partial sequences representing plans observed at 10%, 30%, 50%, or 70% completeness. For scenarios involving noisy observations, partial sequences denote plans observed at 25%, 50%, or 75% completeness.

原始信息汇总

Goal and Plan Recognition Dataset 概述

数据集创建目的

本数据集旨在评估使用规划技术的目标/计划识别方法。

数据集内容

• 数据集数量：共包含15个具有完整和缺失观察的数据集，以及4个具有缺失和噪声观察的数据集。
• 数据集来源：
  • 其中6个数据集由Ramírez和Geffner创建，基于这些数据集，增加了更大的规划问题，并从剩余的9个规划领域生成了新的数据集。
  • 具有缺失和噪声观察的数据集基于Sohrabi提供的代码生成。

数据集结构

每个.tar.bz2文件代表一个目标/计划识别问题，包含以下内容：

• 领域描述 (domain.pddl)
• 初始状态 (template.pddl)
• 候选目标集合 (hyps.dat)
• 正确的隐藏目标 (real_hyp.dat)
• 观察序列 (obs.dat)

观察序列类型

• 完整观察序列：代表隐藏目标的整个计划，即100%的行动已被观察。
• 部分观察序列：包含缺失观察，代表正确隐藏目标的计划，其中10%、30%、50%或70%的行动已被观察。
• 噪声观察序列：每个观察序列始终包含2个噪声观察，代表计划中25%、50%或75%的行动已被观察。

数据集应用

这些数据集用于Landmark-Based Heuristics for Goal Recognition一文中的实验。

搜集汇总

数据集介绍

构建方式

Goal and Plan Recognition Dataset的构建基于规划技术，旨在评估目标与计划识别方法。该数据集包含15个具有完整和缺失观测的案例，以及4个带有缺失和噪声观测的案例。其中，六个数据集源自Ramírez和Geffner的研究，其余九个则基于更大规模的规划问题生成。噪声观测数据集则基于Sohrabi提供的代码生成。每个数据集文件包含领域描述、初始状态、候选目标集、隐藏目标及观测序列，观测序列可以是完整的或部分的，部分序列可能包含10%至70%的缺失观测，噪声观测序列则包含固定数量的噪声。

特点

该数据集的特点在于其多样化的观测序列设计，涵盖了完整、部分缺失以及噪声干扰的多种情景。完整观测序列代表隐藏目标的全部行动计划，而部分观测序列则模拟了实际应用中常见的观测不完整性，缺失比例从10%到70%不等。噪声观测序列进一步增加了复杂性，每个序列包含固定数量的噪声，模拟了现实世界中观测数据的不可靠性。这种设计使得该数据集能够全面评估目标与计划识别算法在不同观测条件下的性能。

使用方法

使用该数据集时，研究人员可通过解压.tar.bz2文件获取每个目标识别问题的相关文件，包括领域描述、初始状态、候选目标集、隐藏目标及观测序列。观测序列可用于验证目标识别算法的准确性，尤其是在处理部分缺失或噪声干扰的观测数据时的表现。通过对比算法在不同观测条件下的识别结果，研究人员能够深入分析算法的鲁棒性与适应性。该数据集已被用于多项研究，如基于地标的启发式目标识别方法实验。

背景与挑战

背景概述

Goal and Plan Recognition Dataset 是由 Ramírez 和 Geffner 等研究人员创建的一个专门用于评估目标与计划识别方法的数据集。该数据集首次发布于2017年，旨在通过规划技术解决目标与计划识别问题。数据集包含了15个具有完整和缺失观测的案例，以及4个带有缺失和噪声观测的案例。这些数据集基于经典的规划问题生成，涵盖了数百个目标与计划识别问题，并在多个领域中被广泛使用。该数据集的发布推动了目标识别领域的研究，尤其是在基于地标的启发式方法中的应用，为相关算法提供了标准化的评估基准。

当前挑战

该数据集的核心挑战在于如何有效处理目标与计划识别中的观测不完整性和噪声问题。在目标识别领域，观测序列可能仅包含部分动作，甚至包含噪声，这增加了识别正确目标的难度。数据集中提供了不同比例的缺失观测（如10%、30%、50%、70%）以及带有噪声的观测序列（如25%、50%、75%），这些设计旨在模拟真实场景中的复杂情况。此外，数据集的构建过程中，研究人员需要从已有的规划问题中扩展生成新的数据集，同时确保数据的多样性和复杂性，这对数据生成和标注提出了较高的技术要求。

常用场景

经典使用场景

在人工智能领域，Goal and Plan Recognition Dataset 主要用于评估基于规划技术的目标与计划识别方法。该数据集通过提供包含完整和缺失观察序列的规划问题，帮助研究者测试和验证目标识别算法的鲁棒性和准确性。特别是在处理部分观察序列时，数据集能够模拟现实世界中信息不完整的情况，为算法设计提供了重要的参考。

衍生相关工作

基于该数据集，许多经典研究工作得以展开。例如，文献《Landmark-Based Heuristics for Goal Recognition》利用该数据集验证了基于地标启发式的目标识别算法的有效性。此外，该数据集还启发了更多关于噪声处理和部分观察序列的研究，推动了目标识别领域的算法创新和理论发展。

数据集最近研究

最新研究方向

在目标与计划识别领域，Goal and Plan Recognition Dataset为研究者提供了一个丰富的实验平台，特别是在处理缺失和噪声观测数据方面。近年来，随着人工智能技术的不断进步，该数据集被广泛应用于评估基于规划技术的目标识别方法。研究者们通过引入地标启发式算法，显著提升了在复杂环境下的目标识别准确率。此外，该数据集还支持对部分观测序列的分析，为开发更鲁棒的识别算法提供了重要参考。这些研究不仅推动了目标识别技术的发展，也为相关领域的实际应用，如智能监控和自动化规划系统，奠定了坚实的理论基础。