Learning to generalize distance predictions for different blocks world state spaces

Abstract

This study investigates the use of feed-forward neural networks (FNNs) for learning heuristic functions to solve Blocks World planning problems, focusing on generalization across goal conditions and state spaces. Unlike prior research that targets specific goal conditions within a fixed state space, our approach allows the network to operate effec tively on smaller state spaces derived from the same domain. We validate the FNN’s per formance by comparing it to the optimal heuristic h and demonstrate that a model trained with h-values achieves high accuracy and low mean error in predicting cost-to-goal es timates for state-goal pairs. Our experiments also include search tests where we evaluate plan length, node expansions and expansion rate using Greedy Best-First Search (GBFS). Results show that the FNN heuristic outperforms the Fast-Forward heuristic (hFF) in plan length and node expansions, and that an evenly distributed sample set of heuristic values can significantly improve generalization capabilities and reduce mean absolute errors. Our findings highlight the efficacy of simple neural networks in compressing state space distances, thus enhancing the versatility of these heuristic functions in classical planning tasks.

Este estudo investiga o uso de redes neurais feed-forward (FNNs) para aprender funções heurísticas para resolver problemas de planejamento do domínio Blocks World, com foco na generalização entre condições de objetivo e espaços de estado. Diferentemente de pesquisas anteriores que visam condições de objetivo específicas dentro de um espaço de estado fixo, nossa abordagem permite que a rede opere efetivamente em espaços de estado menores derivados do mesmo domínio. Validamos o desempenho da FNN comparando-a com a heurística ótima h e demonstramos que um modelo treinado com valores de h alcança alta precisão e baixo erro médio na previsão de estimativas de custo até o objetivo para pares estado-objetivo. Nossos experimentos também incluem testes de busca onde avaliamos o comprimento do plano, as expansões de nós e a taxa de expansão usando o al goritmo Greedy Best-First Search (GBFS). Os resultados mostram que a heurística FNN supera a heurística Fast-Forward (hFF) em comprimento de plano e expansões de nós, e que um conjunto de amostras de valores heurísticos distribuído uniformemente pode melhorar significativamente as capacidades de generalização e reduzir os erros absolutos médios. Nossas descobertas destacam a eficácia de redes neurais simples na compres são de distâncias de espaço de estado, aumentando assim a versatilidade dessas funções heurísticas em tarefas de planejamento clássico.