Solving Partially Observable Stochastic Shortest-Path Games
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00353184" target="_blank" >RIV/68407700:21230/21:00353184 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.24963/ijcai.2021/575" target="_blank" >https://doi.org/10.24963/ijcai.2021/575</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.24963/ijcai.2021/575" target="_blank" >10.24963/ijcai.2021/575</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Solving Partially Observable Stochastic Shortest-Path Games
Popis výsledku v původním jazyce
We study the two-player zero-sum extension of the partially observable stochastic shortest-path problem where one agent has only partial information about the environment. We formulate this problem as a partially observable stochastic game (POSG): given a set of target states and negative rewards for each transition, the player with imperfect information maximizes the expected undiscounted total reward until a target state is reached. The second player with the perfect information aims for the opposite. We base our formalism on POSGs with one-sided observability (OS-POSGs) and give the following contributions: (1) we introduce a novel heuristic search value iteration algorithm that iteratively solves depth-limited variants of the game, (2) we derive the bound on the depth guaranteeing an arbitrary precision, (3) we propose a novel upper-bound estimation that allows early terminations, and (4) we experimentally evaluate the algorithm on a pursuit-evasion game.
Název v anglickém jazyce
Solving Partially Observable Stochastic Shortest-Path Games
Popis výsledku anglicky
We study the two-player zero-sum extension of the partially observable stochastic shortest-path problem where one agent has only partial information about the environment. We formulate this problem as a partially observable stochastic game (POSG): given a set of target states and negative rewards for each transition, the player with imperfect information maximizes the expected undiscounted total reward until a target state is reached. The second player with the perfect information aims for the opposite. We base our formalism on POSGs with one-sided observability (OS-POSGs) and give the following contributions: (1) we introduce a novel heuristic search value iteration algorithm that iteratively solves depth-limited variants of the game, (2) we derive the bound on the depth guaranteeing an arbitrary precision, (3) we propose a novel upper-bound estimation that allows early terminations, and (4) we experimentally evaluate the algorithm on a pursuit-evasion game.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence
ISBN
978-0-9992411-9-6
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
4182-4189
Název nakladatele
International Joint Conferences on Artificial Intelligence Organization
Místo vydání
—
Místo konání akce
Montreal
Datum konání akce
19. 8. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—