Artificial intelligence 如何在不知道PDDL确切增加量的情况下模拟增加效应？

我有一个智能灯，它的动作可以打开/关闭。打开该操作会增加房间的亮度，但是，由于当前的环境状态，我无法确定它会增加多少亮度。有没有办法在PDDL中对这种不确定性进行建模

(define (domain home)
  (:requirements :typing :fluents)

  (:types
    phillipshue - lamp
  )

  (:predicates
    (lamp_powerstate_on ?l -lamp) 
  )

  (:functions 
    (brightness ?l - lamp)
  )

  (:action TurnOnLamp
    :parameters ( ?l - lamp)
    :precondition (and
      (not(lamp_powerstate_on ?l)) 
    )
    :effect (and
      (increase (brightness ?l) 1) (lamp_powerstate_on ?l) 
    )
  )

---

PDDL是确定性的，所以您无法在PDDL中表达概率效应。关于不确定性的工作从概率PDDL开始（参见定义语言的部分），一直持续到2018年的竞赛。您可以从中找到最新的工作和使用的协议。

是否有必要将房间中的灯光建模为不确定？如果要对光照仅增加进行建模，当房间未完全照亮时，可以使用PDDL条件效果。例如：

:effect (and 
    (when (< (room-light ?v) 20)
        (increase (brightness ?l) 30)
    )
    (when (> (room-light ?v) 90)
        (increase (brightness ?l) 10)
    )
)

：效果（和
（当（<（房间灯？v）20）
（增加（亮度？l）30）
)
（当（>（房间灯？v）90）
（增加（亮度？l）10）
)
)

但更一般地说：

---

你想做什么样的模型？您是否在试图决定需要点亮多少个灯泡才能维持房间的正常照明？也许您不应该将其视为预先规划，而是动态规划。后者从传感器获取输入并计算给定情况下的计划。在每种情况下，您都确切地知道房间中有多少光线，问题总是确定的。然后，当您开始执行计划时，来自环境的响应可能与计划假设的不同。在这一点上，您将失败的计划，采取传感器输入快照，制定新的初始状态，并重新规划

您是否尝试过通过一个开源Python工具箱对其进行建模，该工具箱专为执行神经科学模型而定制？您可能会注意到这一点，许多现代概率规划师使用PPDDL作为输入语言，而不是PPDDL，因为它简化了某些类型效果的定义。在IPPC 2018中，所有参与者都使用RDDL作为他们的输入语言。感谢您的回答。但我认为在这种情况下，我们不能同时使用概率效应，因为我们事先也不知道时间间隔。不仅是灯光，智能家居中可能存在不同类型的智能设备（以及许多来自同一类型的设备），而且无法测量驱动的效果，也就是说，假设我们目前在房间里有3盏灯，其中一盏灯亮着，窗帘也打开了，我们如何知道如果我们打开房间角落里的灯2，房间里的亮度会增加多少。我们不能打开灯，看到效果，然后再关闭它，因为这对智能家居中的用户来说会很奇怪。你们知道最近有一个稳定的计划器，我可以使用它，它实际上支持PDDL3.1。我尝试过popf2，但它不支持消极的先决条件。但是，我需要能够处理数值波动、条件效应和持续动作。请尝试光学-Popf的继任者：