基于物联网数据学习PDDL动作模型以支持智能建筑规划的中文标题

《Engineered Regeneration》：Learning planning action models from Internet of Things data in buildings: A concept-driven approach

　　为解决智能建筑中手动建模规划动作模型困难的问题，研究人员开展基于物联网数据学习PDDL动作模型的研究，提出将学习任务转化为概念学习问题，通过遗传算法从建筑环境状态中学习动作的前置条件和效果，成功构建了可支持AI规划器生成有效计划的领域模型，为建筑自动化提供了数据驱动的解决方案。

　　

随着物联网技术在智能建筑中的广泛应用，建筑环境中部署了大量传感器和执行器，实时监测和控制温度、照明、空气质量等参数。然而，如何利用这些数据实现建筑的自动化控制仍面临挑战。传统方法需要人工建模规划领域，既耗时又容易出错。特别是在处理数值型状态变量和复杂环境动态时，手动定义所有可能的前置条件和效果几乎不可行。

为了解决这一问题，研究人员开展了一项创新研究，探索直接从物联网数据中学习规划领域模型的方法。该研究首次将建筑环境中的动作模型学习问题形式化为概念学习任务，通过分析环境状态变化来自动推断设备操作的前置条件和效果。研究成果发表在《Engineered Regeneration》上，为智能建筑的自动化控制提供了数据驱动的解决方案。

研究采用了三个关键技术方法：首先构建了参考模型来指导学习任务的定义和系统开发；其次将物联网数据转换为概念学习所需的训练样本，通过状态变化识别和数值离散化处理原始数据；最后使用遗传算法进行规则学习，通过适应度函数评估候选规则并选择最优解。所有实验数据均来自真实世界的建筑物联网数据集(SML2010和CASAS)。

研究结果表明，该方法能够从包含噪声和不完整数据的物联网环境中有效学习动作模型。数据预处理与转换部分成功将建筑环境状态组织为概念学习所需的示例集，每个示例用属性集描述并标记状态变化概念。规则学习部分通过遗传算法生成描述状态变化的规则，这些规则能够准确捕捉设备操作的前置条件和效果。规则到PDDL转换部分将学到的规则转换为完整的PDDL动作模型，包括布尔条件和数值约束。

在评估部分，研究人员使用准确率、召回率和数值偏差等指标衡量学习模型的质量。结果显示，即使数据中存在50%的噪声，学习模型的错误率仍低于20%。学习到的领域模型在解决规划问题方面表现出色，能够为不同的环境目标生成有效计划。

研究结论表明，从物联网数据中学习PDDL动作模型的方法不仅可行而且有效。该方法能够处理真实环境中的噪声和数据不完整性问题，学习到的模型支持包含数值约束的复杂规划问题。这项工作的重要意义在于为智能建筑的自动化控制提供了一条新途径，减少了人工建模的需求，使规划系统能够适应动态变化的建筑环境。未来工作可以探索将大型语言模型集成到该框架中，以进一步提升系统的推理和识别能力。