通过多计划数据集生成消除目标识别中的规划偏差

自主代理人在多智能体环境中需要具备目标和计划识别能力。然而，现有目标识别数据集由于依赖启发式前向搜索的规划系统而存在系统性偏差，导致其在真实场景中挑战性不足，影响了不同规划器下目标识别器的评估效果。本文提出一种基于top-k规划的方法，为同一目标假设生成多个不同的计划，从而构建减少偏差的数据集。同时引入版本覆盖率得分（VCS）作为新指标，用于衡量目标识别器在面对不同计划集合时的鲁棒性。实验结果表明，当前最先进的目标识别器在低可观测性环境下表现出显著的鲁棒性下降。