🤖 AI

Differentiable Learning of Lifted Action Schemas for Classical Planning

यह शोध पत्र एक नवीन न्यूरल नेटवर्क आर्किटेक्चर प्रस्तुत करता है जो पूर्णतः अवलोकित अवस्था ट्रेसेस (state traces) से लिफ्टेड एक्शन स्कीमा को मजबूती से सीखता है और अप्रत्यक्ष एक्शन आर्गुमेंट्स का अनुमान लगाता है, जो न्यूरो-सिम्बोलिक प्लानिंग मॉडल्स के लिए एक डिफरेंशिएबल घटक के रूप में कार्य करता है।

मूल लेखक: Jonas Reiter, Jakob Elias Gebler, Hector Geffner

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jonas Reiter, Jakob Elias Gebler, Hector Geffner

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को सोकोबन (Sokoban) (बक्से धकेलना) या टावर ऑफ हनोई (Tower of Hanoi) (डिस्क हिलाना) जैसा खेल खेलना सिखाने की कोशिश कर रहे हैं, लेकिन आपके पास एक बहुत ही विशिष्ट बाधा है: आप हर चाल से पहले और बाद में बोर्ड देख सकते हैं, और आप जानते हैं कि क्या चाल चली गई (जैसे, "ब्लॉक को हिलाना"), लेकिन आप रोबोट के आंतरिक निर्देशों को नहीं देख सकते कि उसने किन विशिष्ट ब्लॉक्स को चुना।

यह वह पहेली है जिसे "Differentiable Learning of Lifted Action Schemas for Classical Planning" नामक शोध पत्र हल करने की कोशिश करता है। लेखक, जोनास रीटर, जैकब एलियास गेबलर और हेक्टर गेफ़नर ने एक नए प्रकार का AI बनाया है जिसे DIAS (Differentiable Induction of Action Schemas) कहा जाता है, ताकि वे बोर्ड में बदलाव देखकर खेल के छिपे हुए नियमों को समझ सकें।

यहाँ बताया गया है कि उन्होंने इसे रोजमर्रा के उदाहरणों का उपयोग करके कैसे किया है।

1. समस्या: "ब्लैक बॉक्स" शेफ

कल्पना कीजिए कि एक मास्टर शेफ एक जटिल भोजन बना रहा है। आप शुरुआत में काउंटर पर मौजूद सामग्री (State A) और अंत में प्लेट में तैयार व्यंजन (State B) देख सकते हैं। आप यह भी जानते हैं कि शेफ ने "काटने" (Chop) की क्रिया की।

हालाँकि, आप नहीं जानते कि शेफ ने किस विशिष्ट गाजर को काटा। क्या उन्होंने बड़ी वाली काटी? छोटी वाली? या वह जिसे पहले ही छीला जा चुका था?

पुराने तरीकों में आमतौर पर आपको AI को ठीक-ठीक बताना पड़ता था कि कौन सी गाजर काटी गई।
DIAS को यह पता लगाना होगा: "गाजरों के ढेर में आए बदलाव के आधार पर, शेफ ने ज़रूर बड़ी गाजर को काटा होगा।"

लक्ष्य उस सामान्य नियम (Schema) को सीखना है जो किसी भी गाजर पर लागू होता है, न कि केवल उस विशिष्ट गाजी पर जो वीडियो में दिखाई दे रही है। यह "किसी भी सब्जी को काटो" का नुस्खा सीखने जैसा है, बजाय इसके कि "इस विशिष्ट गाजर को काटो।"

2. समाधान: "जासूस" न्यूरल नेटवर्क

लेखकों ने एक न्यूरल नेटवर्क बनाया है जो एक जासूस की तरह काम करता है। यह दो मुख्य चरणों में काम करता है:

चरण 1: "किसने किया?" वाला जासूस (Selection)

AI गेम बोर्ड की "पहले" और "बाद" की तस्वीरें देखता है। यह एक ग्राफ न्यूरल नेटवर्क (GNN) का उपयोग करता है—इसे एक सुपर-स्मार्ट आँख की तरह समझें जो वस्तुओं के बीच के संबंधों को देखती है (जैसे, "ब्लॉक A, ब्लॉक B के ऊपर है")।

AI हर वस्तु के लिए एक "फिंगरप्रिंट" (एम्बेडिंग) बनाता है।
फिर यह पूछता है: "इनमें से कौन सा फिंगरप्रिंट 'Move' क्रिया के 'स्लॉट' से मेल खाता है?"
यह Sinkorn नामक एक गणितीय ट्रिक का उपयोग करता है (इसे ताश के पत्तों को ढेरों में छाँटने के एक बहुत ही कुशल तरीके के रूप में समझें) ताकि सही वस्तुओं को क्रिया के सही भूमिकाओं में असाइन किया जा सके। यह ऐसा है जैसे AI कह रहा हो, "मुझे 90% यकीन है कि रोबोट ने लाल ब्लॉक को हिलाया, नीले को नहीं।"

चरण 2: "क्या हुआ?" वाला जासूस (Effects)

एक बार जब AI यह अनुमान लगा लेता है कि कौन सी वस्तुएं शामिल थीं, तो यह खेल के नियमों को सीखने की कोशिश करता है:

Preconditions (पूर्व-शर्तें): चाल चलने से पहले क्या सत्य होना आवश्यक था? (जैसे, "ऊपर से ब्लॉक खाली होना चाहिए")।
Effects (प्रभाव): चाल चलने के कारण क्या बदला? (जैसे, "ब्लॉक अब मेज पर है")।

AI इन नियमों को एक प्रतीकात्मक प्रारूप (जैसे एक कंप्यूटर कोड जिसे PDDL कहा जाता है) में लिखता है। फिर वह इन अनुमानित नियमों का उपयोग करके चाल का अनुकरण (Simulate) करता है यह देखने के लिए कि क्या यह "बाद" की तस्वीर की सही भविष्यवाणी करता है। यदि सिमुलेशन वास्तविक "बाद" की तस्वीर से मेल खाता है, तो AI को "अच्छा काम किया" का संकेत मिलता है। यदि नहीं, तो वह अपने अनुमानों में सुधार करता है और फिर से प्रयास करता है।

3. "जादुई" सामग्री: डिफ़रेंशिएबल लर्निंग (Differentiable Learning)

आमतौर पर, यह पता लगाना कि "कौन सी वस्तु हिलाई गई" एक बाइनरी विकल्प होता है (या तो वह लाल ब्लॉक है या नीला ब्लॉक)। यह AI के लिए सीखना कठिन है क्योंकि आप उत्तर को आसानी से "आधा रास्ता" नहीं बदल सकते।

इस शोध पत्र की सफलता इसे डिफरेंशिएबल (Differentiable) बनाने में है।

उदाहरण: कल्पना कीजिए कि आप एक रेडियो को एक साफ़ स्टेशन पर ट्यून करने की कोशिश कर रहे हैं। स्टेशन 1 से स्टेशन 2 पर कूदने के बजाय, आप डायल को धीरे-धीरे घुमा सकते हैं।
DIAS केवल "लाल ब्लॉक" का अनुमान नहीं लगाता। यह "80% लाल ब्लॉक, 20% नीला ब्लॉक" का अनुमान लगाता है। यह इसे ग्रेडिएंट डिसेंट (एक मानक मशीन लर्निंग तकनीक) का उपयोग करने की अनुमति देता है ताकि वह गलत अनुमानों के चक्रव्यूह में फंसने के बजाय, अपने अनुमानों को धीरे-धीरे सटीक उत्तर की ओर खिसका सके।

4. उन्होंने क्या पाया (परिणाम)

टीम ने DIAS का परीक्षण 13 अलग-अलग क्लासिकल प्लानिंग डोमेन (जैसे Blocksworld, Logistics, और Hanoi) पर किया।

परफेक्ट स्कोर: जब उन्होंने AI को सभी तर्क (Arguments) दिए (उन्हें ठीक-ठीक बताया कि कौन से ब्लॉक्स हिले), तो इसने हर बार नियमों को पूरी तरह से सीखा।
हार्ड मोड: जब उन्होंने तर्कों को छिपा दिया (केवल क्रिया का नाम दिया, जैसे "move"), तब भी इसने 13 में से 8 डोमेन में नियमों को पूरी तरह से सीखा। अन्य डोमेन में, यह बहुत करीब था।
शोर के प्रति प्रतिरोध (Noise Resistance): उन्होंने इसे "नॉइज़ी" डेटा के साथ टेस्ट किया (जहाँ बोर्ड के कुछ तथ्यों को बेतरतीब ढंग से बदल दिया गया था, जैसे यह कहना कि एक ब्लॉक खाली है जबकि वह वास्तव में ढका हुआ है)। DIAS ने इसे आश्चर्यजनक रूप से अच्छी तरह से संभाला, हालांकि बहुत अधिक शोर ने अंततः इसे भ्रमित कर दिया।
तुलना: उन्होंने इसकी तुलना एक पारंपरिक प्रतीकात्मक विधि (L1) से की। DIAS सही नियमों को खोजने में बहुत बेहतर था, विशेष रूप से उन जटिल डोमेन में जहाँ पुरानी विधि सभी आवश्यक शर्तों को खोजने में विफल रही थी।

5. यह क्यों महत्वपूर्ण है (बिना अतिशयोक्ति के)

यह शोध पत्र दावा करता है कि यह एक बहुत अधिक कठिन समस्या का सरलीकरण है: सीधे इमेज (जैसे रोबोटिक हाथ द्वारा ब्लॉक्स हिलाते हुए वीडियो देखना) से प्लानिंग नियमों को सीखना।

वर्तमान उपलब्धि: उन्होंने "मध्य चरण" को पूरी तरह से हल कर दिया है। उन्होंने सिद्ध किया कि यदि आप प्रतीकात्मक अवस्था (तथ्यों की सूची) देख सकते हैं लेकिन तर्क (Arguments) नहीं, तो भी आप एक न्यूरल नेटवर्क का उपयोग करके नियमों को सीख सकते हैं।
भविष्य का लक्ष्य: लेखक उम्मीद करते हैं कि भविष्य में वे इस "DIAS" मॉड्यूल को एक बड़े सिस्टम में जोड़ पाएंगे जो कच्चे चित्रों (Raw Images) को देखता है और बिना किसी मानवीय अनुवाद के सीधे नियमों को सीख लेता है।

संक्षेप में: यह शोध पत्र एक नया AI जासूस प्रस्तुत करता है जो एक खेल को देख सकता है, अनुमान लगा सकता है कि कौन से हिस्से हिले, और खेल के सार्वभौमिक नियमों का निष्कर्ष निकाल सकता है, और यह सब एक सुचारू, गणित-आधारित लर्निंग प्रोसेस का उपयोग करके किया जाता है जो गलत रास्तों में फंसने से बचता है।

तकनीकी सारांश: क्लासिकल प्लानिंग के लिए लिफ्टेड एक्शन स्कीमा का डिफरेंशिएबल लर्निंग

समस्या का निरूपण (Problem Formulation)

यह शोधपत्र ऑब्जर्वेशनल ट्रेसेस (observational traces) से क्लासिकल प्लानिंग डोमेन के लिए लिफ्टेड एक्शन स्कीमा सीखने की चुनौती को संबोधित करता है। विशेष रूप से, लेखक एक ऐसी स्थिति पर काम करते हैं जहाँ स्टेट्स पूरी तरह से ऑब्ज़र्व किए गए हैं (ग्राउंडेड STRIPS एटम्स के रूप में) लेकिन एक्शन आर्गुमेंट्स अनऑब्ज़र्व्ड (unobserved) हैं। इनपुट में $\langle s, a, s' \rangle$ ट्रिपलेट्स शामिल हैं, जहाँ $s$ और $s'$ ग्राउंडेड स्टेट्स हैं और $a$ या तो एक पूर्ण एक्शन नाम है, एक STRIPS+ एक्शन (जिसमें कुछ आर्गुमेंट्स ऑब्ज़र्व किए गए हैं), या केवल एक एक्शन नाम है।

मुख्य कठिनाई आइसोमोर्फिज्म-हार्ड (isomorphism-hard) समस्या में निहित है, जिसमें एक साथ निम्नलिखित को इन्फर (infer) करना होता है:

एक्शन आर्गुमेंट्स: यह पहचानना कि कौन से ऑब्जेक्ट्स एक्शन के पैरामीटर्स से बाइंड होते हैं।
लिफ्टेड स्कीमा: प्रत्येक एक्शन स्कीमा के लिए प्रीकंडिशन्स (preconditions) और इफेक्ट्स (add/delete lists) को लिफ्टेड, सिम्बोलिक रूप में सीखना।

इस समस्या को इमेज सीक्वेंस और एक्शन लेबल्स से सीखने के अधिक यथार्थवादी कार्य के सरलीकरण के रूप में फ्रेम किया गया है, जिसका लक्ष्य न्यूरो-सिम्बोलिक सिस्टम्स में एकीकरण को सक्षम करने के लिए सिम्बोलिक एब्स्ट्रैक्शन स्टेप को लगभग पूर्ण सटीकता के साथ हल करना है।

कार्यप्रणाली: DIAS आर्किटेक्चर

लेखक DIAS (Differentiable Induction of Action Schemas) प्रस्तावित करते हैं, जो एक न्यूरल आर्किटेक्चर है जो ग्रेडिएंट डिसेंट के माध्यम से एक्शन स्कीमा सीखता है। यह दृष्टिकोण दो मुख्य चरणों में कार्य करता है, जो एंड-टू-एंड ट्रेनिंग की अनुमति देने के लिए सॉफ्ट, डिफरेंशिएबल ऑपरेशन्स का उपयोग करता है।

1. ग्राफ न्यूरल नेटवर्क (GNN) के माध्यम से ऑब्जेक्ट सिलेक्शन

ग्राफ निर्माण: स्टेट $s$ और ट्रांज़िशन $s'$ को एक डायरेक्टेड ग्राफ $G$ के रूप में एनकोड किया जाता है। नोड्स ऑब्जेक्ट्स का प्रतिनिधित्व करते हैं, और एडजेस (edges) उन प्रेडिकेट्स (atoms) को दर्शाते हैं जो स्टेट में सत्य हैं या ट्रांज़िशन के दौरान जोड़े या हटाए गए हैं।
एम्बेडिंग: एक रिलेशनल ग्राफ कन्वोल्यूशनल नेटवर्क (R-GCN) ग्राफ को प्रोसेस करता है ताकि प्रत्येक ऑब्जेक्ट के लिए $d$ -डायमेंशनल एम्बेडिंग वेक्टर्स (कीज़ $K$ ) जनरेट किए जा सकें।
स्लॉट असाइनमेंट: प्रत्येक एक्शन नाम $a$ के लिए, मॉडल एक निश्चित संख्या में "स्लॉट्स" (एक्शन अरिटी की ऊपरी सीमा) के अनुरूप लर्न करने योग्य क्वेरी वेक्टर्स $Q_a$ बनाए रखता है।
सॉफ्ट मैचिंग: ऑब्जेक्ट कीज़ और एक्शन क्वेरीज के बीच स्केल्ड डॉट-प्रोडक्ट अटेंशन के माध्यम से एक कोरेस्पोंडेंस मैट्रिक्स कंप्यूट किया जाता है। इसके बाद एक रेक्टेंगुलर सिंकहॉर्न एल्गोरिदम (rectangular Sinkhorn algorithm) का उपयोग करके एक सॉफ्ट असा असाइनमेंट मैट्रिक्स $\tilde{S}_a$ बनाया जाता है, जो ऑब्जेक्ट्स को एक्शन आर्गुमेंट स्लॉट्स में प्रोबेबिलिस्टिक रूप से मैप करता है। लर्न करने योग्य स्लॉट वेट्स $w_a$ प्रत्येक स्लॉट की एक्टिवेशन प्रोबेबिलिटी को निर्धारित करते हैं, जिससे मॉडल एक्शन की अरिटी को इन्फर कर सकता है।

2. प्रीकंडिशन्स और इफेक्ट्स को सीखना

लिफ्टेड पैरामीटर्स: मॉडल हर लिफ्टेड एटम $p(x_i, x_j)$ के लिए लर्न करने योग्य प्रोबेबिलिटी टेन्सर्स बनाए रखता है ताकि यह निर्धारित किया जा सके कि वह एक पॉजिटिव/नेगेटिव प्रीकंडिशन है, या एक ऐड इफेक्ट है, या डिलीट इफेक्ट है।
ग्राउंडिंग: सॉफ्ट असाइनमेंट $\tilde{S}_a$ इन लिफ्टेड प्रोबेबिलिटीज को ग्राउंडेड एडजेसेंसी मैट्रिक्स स्पेस में प्रोजेक्ट करता है, जिससे वर्तमान स्टेट में विशिष्ट एटम्स के प्रीकंडिशन्स या इफेक्ट्स होने की प्रोबेबिलिटी प्राप्त होती है।
स्टेट प्रेडिक्शन:
- प्रीकंडिशन चेक: मॉडल $p_{pre}$ की गणना करता है कि सभी प्रीकंडिशन्स पूरे होने की क्या संभावना है, जो व्यक्तिगत एटम प्रोबेबिलिटीज के कंजंक्शन (conjunction) का मूल्यांकन करके किया जाता है। रैंडम इनिशियलाइजेशन से वैनिशिंग ग्रेडिएंट्स से बचने के लिए, एक ज्योमेट्रिक मीन शेड्यूलिंग स्ट्रैटेजी का उपयोग किया जाता है, जो धीरे-धीरे वास्तविक प्रोडक्ट की ओर बढ़ती है।
- इफेक्ट एप्लीकेशन: प्रेडिक्टेड सक्सेसर स्टेट $\hat{A}'$ को वर्तमान स्टेट एडजेसेंसी मैट्रिक्स $A$ पर ग्राउंडेड ऐड/डिलीट प्रोबेबिलिटीज को $p_{pre}$ द्वारा स्केल करके लागू करके कंप्यूट किया जाता है।

3. लॉस फंक्शन और ऑप्टिमाइज़ेशन

ट्रेनिंग ऑब्जेक्ट एक कंपोजिट लॉस को मिनिमाइज़ करता है:

मुख्य लॉस ( $L_{adj}$ ): प्रेडिक्टेड सक्सेसर स्टेट $\hat{A}'$ और ट्रू सक्सेसर स्टेट $A'$ के बीच बाइनरी क्रॉस-एन्ट्रॉपी। यह मॉडल को सही आर्गुमेंट्स चुनने और स्टेट परिवर्तन की भविष्यवाणी करने के लिए प्रेरित करता है।
ऑक्सिलरी लॉस ( $L_{aux}$ ): यह मिनिमल इफेक्ट्स और मैक्सिमल प्रीकंडिशन्स को प्रोत्साहित करता है। यह मॉडल को ट्रिवियल सॉल्यूशंस (जैसे, यह मानना कि सभी एटम्स इफेक्ट्स हैं या कोई प्रीकंडिशन मौजूद नहीं है) सीखने से रोकता है।
ग्रेडिएंट प्रोजेक्शन: यह सुनिश्चित करने के लिए कि मुख्य लक्ष्य स्टेट प्रेडिक्शन से समझौता न हो, लेखक PCGrad (ग्रेडिएंट सर्जरी) का उपयोग करते हैं। यदि ऑक्सिलरी ग्रेडिएंट और मुख्य ग्रेडिएंट के बीच संघर्ष होता है, तो ऑक्सिलरी ग्रेडिएंट को मुख्य ग्रेडिएंट के ऑर्थोगोनल हाइपरप्लेन पर प्रोजेक्ट किया जाता है, जिससे यह सुनिश्चित होता है कि $L_{main}$ का ऑप्टिमाइज़ेशन प्राथमिकता लेता है।

मुख्य परिणाम

लेखकों ने तीन ऑब्जर्वेशन वेरिएंट्स (फुल STRIPS एक्शन्स, STRIPS+ एक्शन्स, और केवल एक्शन नाम) का उपयोग करके 13 मानक IPC प्लानिंग डोमेन (जैसे, Blocks, Logistics, Hanoi, Sokoban) पर DIAS का मूल्यांकन किया।

परफेक्ट रिकवरी: 13 में से 8 डोमेन में, DIAS ने तीनों ऑब्जर्वेशन वेरिएंट्स के सभी 10 ट्रेनिंग रन में ग्राउंड-ट्रुथ लिफ्टेड एक्शन स्कीमा को पूरी तरह से सीखा।
रोबस्टनेस (Robustness):
- नॉइज़: मॉडल अधिकांश डोमेन के लिए ऑब्जर्वेशन नॉइज़ (प्रति ट्रांज़िशन रैंडमली फ्लिप्ड एटम्स) के प्रति रोबस्ट रहा (अधिकतम 2 फ्लिप्स तक)। 8 फ्लिप्स होने पर प्रदर्शन काफी गिर गया।
- सिम्बोलिक मेथड्स से तुलना: L1 एल्गोरिदम (एक SAT-आधारित दृष्टिकोण) की तुलना में, DIAS ने बेहतर या तुलनीय प्रदर्शन किया, विशेष रूपकर उन डोमेन में जहाँ L1 उन प्रीकंडिशन्स को रिकवर करने में विफल रहा जिनमें वे वेरिएबल्स शामिल थे जो इफेक्ट्स में मौजूद नहीं थे।
- फेलियर एनालिसिस: विफलताएं मुख्य रूप से निम्नलिखित कारणों से हुईं:
  - डेड एंड्स (Dead ends): Sokoban जैसे डोमेन जहाँ रैंडम वॉक क्रिटिकल स्टेट रीजन्स को एक्सप्लोर करने में विफल रहते हैं।
  - स्टेट-स्पेस स्ट्रक्चर: Hanoi डोमेन की Sierpiński triangle संरचना रैंडम वॉक कवरेज को सीमित करती है।
  - रिडंडेंट एक्शन्स: Satellite डोमेन, जहाँ take_image जैसे एक्शन्स अक्सर स्टेट में कोई बदलाव नहीं करते हैं, जिससे इफेक्ट्स को सीखना भ्रमित करने वाला हो जाता है।
MLP एब्लेशन: एक MLP द्वारा स्ट्रिप्स इफेक्ट्स को रिप्लेस करने वाले एब्लेशन ने दिखाया कि हालांकि आर्किटेक्चर स्टेट-डिपेंडेंट डायनेमिक्स सीख सकता है, लेकिन यह क्लासिकल प्लानिंग के अनुकूल सिम्बोलिक स्कीमा बनाने में विफल रहता है, जो क्लासिकल प्लानिंग के लिए लिफ्टेड STRIPS फॉर्मूलेशन की आवश्यकता को रेखांकित करता है।

महत्व और दावे

यह पेपर दावा करता है कि DIAS रॉ ऑब्जर्वेशन्स (जैसे इमेज) से प्लानिंग डोमेन सीखने की दिशा में एक महत्वपूर्ण कदम है, जो सिम्बोलिक एब्स्ट्रैक्शन स्टेप को उच्च निष्ठा (fidelity) के साथ हल करके मध्यवर्ती चरण को पूरा करता है।

डिफरेंशिएबिलिटी: प्राथमिक योगदान एक रोबस्ट डिफरेंशिएबल कंपोनेंट है जो बिना स्पष्ट एक्शन आर्गुमेंट्स के लिफ्टेड एक्शन स्कीमा सीख सकता है, जो न्यूरल ऑब्जर्वेशन प्रोसेसिंग और सिम्बोलिक प्लानिंग के बीच के अंतर को पाटता है।
जनरलाइजेशन: स्लॉट-आधारित डायनेमिक मॉडल्स (जैसे, RIMs) के विपरीत, जो अलग-अलग संख्या में ऑब्जेक्ट्स के साथ संघर्ष करते हैं, DIAS लिफ्टेड रिप्रेजेंटेशन सीखता है जो ऑब्जेक्ट्स की मनचाही संख्या तक सामान्य (generalize) हो सकते हैं, जो कि STRIPS का एक अंतर्निहित गुण है लेकिन डेटा से सीखना कठिन है।
सीमित दायरा: लेखक स्पष्ट रूप से इस कार्य को इमेज से सीखने की व्यापक चुनौती के सरलीकरण के रूप में फ्रेम करते हैं। वे सीधे इमेज-टू-प्लानिंग समस्या को हल करने का दावा नहीं करते हैं, बल्कि तर्क देते हैं कि सिम्बोलिक एब्स्ट्रैक्शन स्टेप पर "लगभग-पूर्ण" प्रदर्शन प्राप्त करना ऐसे सिस्टम के लिए एक आवश्यक और चुनौतीपूर्ण पूर्व शर्त है।
सीमाएँ: यह दृष्टिकोण मानता है कि डोमेन शुद्ध STRIPS हैं (नो कंडिशनल इफेक्ट्स या न्यूमेरिकल फीचर्स नहीं) और यह इस धारणा पर निर्भर करता है कि एक्शन आर्गुमेंट्स ऑब्जेक्ट्स से इंजेक्टिवली बाउंड (injectively bound) हैं। यह विधि उन डोमेन में भी संघर्ष करती है जहाँ रैंडम वॉक सैंपलिंग स्टेट स्पेस को पर्याप्त कवरेज प्रदान नहीं करती है।