从部分观测轨迹中学习经典规划的表示

基于摘要分析。本文研究经典规划中完整领域模型难以手工指定、从轨迹学得的声明式模型又可能因不准确而影响规划求解的问题，提出基于图神经网络（GNN）的 LP-GNN，以向量化领域表示结合无模型学习与基于模型的规划。 技术机制上，LP-GNN 将命题与动作嵌入图中，探索二者的潜在关系，以形成领域特定的启发式。其研究对象是经典规划领域模型，而非 EEG 表征或 BCI 解码。相较于先学习 STRIPS、PDDL 等声明式领域模型、再调用现有规划器的路线，该方法尝试通过学习到的关系表示支持规划求解。摘要未说明图的具体构造、部分观测的生成方式、训练目标及推理流程，这些细节尚未验证。 作者报告，在五个经典规划领域中，与领域模型学习方法 ARMS 相比，LP-GNN 学得的领域模型更有效地支持规划问题求解。摘要未给出领域名称、数据划分、观测完整度、具体指标或数值，因此无法据此判断提升幅度、跨任务泛化能力或比较条件；实验协议、消融及统计信息尚未验证。 该工作的阅读价值主要在于部分观测条件下的关系表示学习与规划启发式构建。材料没有提供神经信号数据、BCI 任务或可直接对应的迁移机制，不能将其规划结果视为 EEG/BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。