A Probabilistic Framework for Hierarchical Goal Recognition

Este artigo apresenta o primeiro framework probabilístico baseado em planejamento para o reconhecimento de objetivos hierárquicos, integrando redes de tarefas hierárquicas (HTNs) com inferência probabilística para melhorar a precisão na identificação de intenções de agentes.

O essencial

Imagine que você está em um restaurante e observa alguém na mesa ao lado. A pessoa pega um prato, uma colher e começa a mexer em algo. Você imediatamente pensa: "Ela está comendo sopa".

Você não precisou analisar cada milímetro do movimento do braço dela; seu cérebro usou uma "hierarquia" de informações: Ação pequena (mexer) $\rightarrow$ Atividade maior (comer) $\rightarrow$ Objetivo final (tomar sopa).

O problema é que, na vida real, as coisas nem sempre são tão claras. Às vezes a pessoa para para atender o celular (uma ação que não tem nada a ver com a sopa), ou talvez ela esteja apenas mexendo o açúcar no café. Como saber o que ela realmente quer fazer sem tirar conclusos precipitados?

Este artigo científico apresenta uma nova forma de ensinar computadores a fazerem exatamente isso: reconhecer objetivos de forma inteligente, lidando com a incerteza e com distrações.

Aqui está a explicação do que eles fizeram, usando três analogias:

---

1. O Problema: O Detetive "Sim ou Não" (O modelo antigo)

Antes desse estudo, os computadores eram como detetives muito rígidos. Se você desse a eles uma lista de suspeitos (objetivos) e uma pista (uma ação), eles só diziam: "Sim, essa ação combina com esse objetivo" ou "Não, não combina".

O problema: Se o detetive visse a pessoa mexendo a sopa, mas logo em seguida ela pegasse um guardanapo (uma ação extra), o detetive rígido diria: "Erro! O plano de tomar sopa não previa o guardanapo. Portanto, ela NÃO está tomando sopa!". Ele travava por causa de um detalhe irrelevante.

2. A Solução: O Detetive "Probabilístico" (O novo modelo)

Os autores criaram um sistema que não trabalha com "Sim ou Não", mas com "Qual a chance?". Em vez de dizer "Ela está tomando sopa", o computador diz: "Tenho 85% de certeza que é sopa, 10% de que é café e 5% de que ela só está limpando a mesa".

Para chegar nisso, eles criaram um processo de três etapas (como se fosse uma receita):

1. O Plano Mestre: Primeiro, o computador imagina todos os caminhos possíveis para realizar um objetivo (ex: para fazer sopa, preciso cortar cebola, ferver água, etc.).
2. A Execução: Ele imagina como essas tarefas seriam feitas na prática, uma após a outra.
3. O Filtro da Realidade: Ele compara o que ele imaginou com o que ele realmente viu. Se o que ele viu "encaixa" bem no plano, a probabilidade sobe.

3. A Grande Inovação: O "Efeito Distração" (Ações Exógenas)

A maior sacada do artigo é como eles lidam com o "imprevisto". Eles introduziram algo chamado "Inserção de Tarefas".

Imagine que você está seguindo uma receita de bolo, mas o telefone toca. Você para, atende e volta para o bolo. Para um computador antigo, isso quebraria a lógica. Para o novo modelo dos autores, o computador entende: "Ok, essa ação do telefone foi um 'ruído' ou uma distração, mas o resto das ações ainda aponta fortemente para o objetivo de fazer o bolo".

Isso torna o computador muito mais parecido com um ser humano: ele consegue ignorar o que é irrelevante e focar no que realmente importa para entender a intenção de alguém.

---

Em resumo:

Os pesquisadores criaram um "cérebro digital" que:

• Entende hierarquias: Sabe que pequenas ações formam grandes tarefas.
• Lida com a dúvida: Não toma decisões precipitadas; trabalha com porcentagens de certeza.
• É resiliente: Não "pira" quando vê alguém fazendo algo fora do esperado; ele entende que humanos se distraem.

Por que isso é importante? Isso é o primeiro passo para robôs que trabalham ao nosso lado (como assistentes domésticos ou colegas de fábrica) que consigam entender o que estamos tentando fazer, mesmo que a gente cometa erros ou mude de ideia no meio do caminho.

Resumo técnico

Resumo Técnico: Uma Estrutura Probabilística para o Reconhecimento Hierárquico de Objetivos

1. O Problema

O reconhecimento de objetivos consiste em inferir a intenção de um agente a partir da observação de seu comportamento. Embora humanos utilizem estruturas hierárquicas para reduzir a carga cognitiva (ex: entender "fazer sopa" como um conjunto de ações menores), os métodos existentes enfrentam dois grandes desafios:

• Falta de Integração: A maioria dos métodos probabilísticos utiliza modelos de ação "planos" (flat), ignorando a estrutura hierárquica de tarefas. Por outro lado, os métodos baseados em Redes de Tarefas Hierárquicas (HTN) existentes são majoritariamente determinísticos, fornecendo apenas uma decisão binária (aceita/rejeita) em vez de uma distribuição de probabilidade sobre várias hipóteses.
• Fragilidade a Ruídos: Métodos determinísticos falham completamente se uma única ação observada não estiver prevista na hierarquia (ações exógenas), o que é comum em ambientes reais devido a ruídos ou comportamentos irrelevantes ao objetivo.

2. Metodologia

Os autores introduzem o primeiro framework de Reconhecimento Hierárquico de Objetivos Probabilístico (PHGR) sobre HTNs, formulando o problema como uma inferência Bayesiana.

O Modelo Generativo de Três Estágios:
Para estimar a verossimilhança (likelihood) de uma hipótese de objetivo dado um conjunto de observações, o framework propõe um processo de três etapas:

1. Decomposição de Rede: A hipótese de objetivo é decomposta em uma rede de tarefas primitivas usando uma distribuição de Boltzmann (softmax), onde métodos "mais baratos" ou eficientes têm maior probabilidade.
2. Linearização Executável: A rede primitiva é convertida em uma sequência de ações executáveis, escolhendo ações disponíveis de forma uniforme.
3. Modelo de Observação: Calcula a probabilidade de as observações serem um subconjunto (subsequência) do plano executado, considerando incertezas sobre o progresso do agente.

Implementação Prática:
Como o cálculo exato da verossimilhança é intratável, os autores utilizam uma aproximação baseada em dois termos representativos obtidos via um planejador HTN convencional:

• Um termo que representa a execução mais provável que explica as observações (restrito).
• Um termo que representa a execução mais provável sem restrições de observação (não restrito).

Para lidar com o custo computacional, eles utilizam uma estratégia de seleção de Top-K hipóteses, chamando o planejador apenas para as candidatas mais promissoras. Além disso, o framework estende-se para suportar ações exógenas através da semântica de task insertion (inserção de tarefas), permitindo que ações não previstas na hierarquia não invalidem a hipótese.

3. Principais Contribuições

• Primeiro Framework Integrado: A primeira abordagem que combina planejamento baseado em HTN com inferência Bayesiana.
• Robustez Probabilística: Capacidade de atribuir probabilidades não nulas a hipóteses mesmo na presença de ações exógenas ou comportamentos subótimos.
• Ranking Intuitivo: Diferente de métodos que apenas minimizam o custo do plano, este modelo favorece hipóteses "menos surpreendentes" (onde a diferença entre o plano ideal e o plano que explica a observação é menor).
• Tratamento de Ações Exógenas: Prova teórica de que o modelo pode lidar com ações que não pertencem à decomposição da tarefa original.

4. Resultados

Os experimentos foram realizados nos domínios Kitchen e Monroe:

• Desempenho Superior: O método proposto superou consistentemente o baseline (método determinístico de Höller et al.) em precisão top-k (especialmente top-3 e top-5).
• Robustez sob Incerteza: Em cenários de observação parcial (apenas 20% das ações visíveis), o modelo manteve uma performance significativamente melhor que o baseline, demonstrando eficácia mesmo com dados escassos.
• Custo Computacional: Houve um aumento moderado no tempo de processamento (de ~5s para ~24s por instância), o que é considerado um compromisso aceitável pelo ganho substancial em confiabilidade.
• Teste de Sanidade (Ações Exógenas): Enquanto o método tradicional falhava ou criava objetivos errôneos ao encontrar uma ação extra, o framework probabilístico manteve a hipótese correta com probabilidade positiva.

5. Significância

Este trabalho estabelece uma base fundamental para o reconhecimento de objetivos em ambientes do mundo real. Ao mover o problema de uma verificação de viabilidade binária para uma distribuição de crenças probabilísticas, ele permite que sistemas de IA operem de forma mais humana, lidando com a ambiguidade, o ruído e a complexidade hierárquica inerente às atividades humanas.