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。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、正确隐藏目标和观察序列。观察序列可以是完整的或部分的，部分观察序列代表具有10%、30%、50%或70%动作被观察到的计划。对于具有噪声观察的计划，部分观察序列代表具有25%、50%或75%动作被观察到的计划。

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

原始信息汇总

Goal and Plan Recognition Dataset 概述

数据集内容

• 包含15个带有完整和缺失观测的数据集。
• 包含4个带有缺失和噪声观测的数据集。

数据集创建目的

• 用于评估使用规划技术的目标/计划识别方法。

数据集来源

• 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数据集。
• 带有缺失和噪声观测的数据集基于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 (hyps.dat)
  • 正确的隐藏目标 (real_hyp.dat)
  • 观测序列 (obs.dat)

观测序列类型

• 完整观测序列：代表隐藏目标的整个计划，即100%的行动已被观测。
• 部分观测序列：包含缺失观测，代表正确隐藏目标的计划，观测率为10%、30%、50%或70%。
• 带有噪声观测的部分观测序列：每个观测序列包含2个噪声观测，观测率为25%、50%或75%。

数据集应用

• 用于Landmark-Based Heuristics for Goal Recognition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个具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，其余九个则通过扩展更大的规划问题生成。噪声观测数据集则基于Sohrabi提供的代码生成。每个数据集以.tar.bz2文件形式存储，包含领域描述、初始状态、候选目标集、隐藏目标及观测序列。

使用方法

使用该数据集时，研究人员可通过解压.tar.bz2文件获取具体问题实例。每个实例包含领域描述、初始状态、候选目标集、隐藏目标及观测序列。通过分析这些文件，研究人员可以评估目标与计划识别算法在不同观测条件下的表现。数据集特别适用于测试算法在缺失或噪声观测情况下的鲁棒性，并为规划技术的研究提供了标准化的实验平台。

背景与挑战

背景概述

Goal and Plan Recognition Dataset 是由 Ramírez 和 Geffner 等研究人员于2017年创建的一个专门用于评估目标与计划识别方法的数据集。该数据集的核心研究问题在于如何通过规划技术来识别目标与计划，特别是在观察数据不完整或存在噪声的情况下。数据集包含了15个具有缺失和完整观察数据的子集，以及4个具有缺失和噪声观察数据的子集。这些数据集基于经典的规划问题生成，并扩展了更大规模的规划问题。该数据集在目标识别领域具有重要影响力，尤其是在基于地标的启发式方法研究中得到了广泛应用。

当前挑战

该数据集面临的挑战主要体现在两个方面。首先，目标与计划识别问题本身具有较高的复杂性，尤其是在观察数据不完整或存在噪声的情况下，如何准确识别隐藏目标成为一大难题。其次，数据集的构建过程中也面临诸多挑战，例如如何生成具有不同缺失比例和噪声水平的观察序列，以及如何确保这些序列能够真实反映现实世界中的规划问题。此外，数据集的扩展和验证也需要大量的计算资源和时间，以确保其在不同规划领域中的普适性和有效性。

常用场景

经典使用场景

Goal and Plan Recognition Dataset 主要用于评估基于规划技术的目标和计划识别方法。该数据集通过提供包含完整和部分观测序列的规划问题，帮助研究者测试和验证目标识别算法在不同观测条件下的性能。这些数据集特别适用于研究如何在缺失或噪声观测的情况下，准确推断出隐藏的目标和计划。

解决学术问题

该数据集解决了目标识别领域中的关键学术问题，特别是在部分观测和噪声观测条件下的目标推断问题。通过提供多样化的规划问题和观测序列，研究者能够深入探讨如何在复杂环境中进行有效的目标识别，从而推动了目标识别算法的鲁棒性和准确性的提升。这一数据集的使用为相关领域的研究提供了重要的实验基础。

实际应用

在实际应用中，Goal and Plan Recognition Dataset 可广泛应用于智能系统、机器人导航和自动化规划等领域。例如，在机器人导航中，系统需要根据部分观测到的动作序列推断出机器人的目标位置和路径规划。通过使用该数据集，开发者可以训练和优化目标识别模型，从而提高智能系统在复杂环境中的自主决策能力。

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。研究者们利用这些数据集开发了多种启发式算法，如基于地标的启发式方法，以提高在复杂环境中的目标识别准确率。此外，该数据集还支持了对部分观测序列的深入研究，这对于理解不完全信息下的决策过程具有重要意义。通过这些研究，不仅推动了目标识别技术的发展，也为相关领域如自动化规划和智能系统设计提供了理论支持和实践指导。