Fast and Robust Goal Recognition through Deep Learning

This thesis contributes to the field of Goal Recognition (GR) by replacing computationally intensive planners with deep learning methods that are efficient, accurate, and robust to adversarial behaviours. First, we establish a novel connection between automated planning and natural language processing by introducing PlanBERT, a model that treats action sequences as linguistic structures. Our architecture demonstrates the ability to reconstruct planning sequences and perform offline goal recognition, confirming that Transformer-based models can effectively learn the dynamics of planning domains. For Online Goal Recognition (OGR), where predictions must be updated incrementally as observations arrive, we adapt GRNet as a strong neural baseline and introduce CLERNet (Causal Link Enhanced Recurrent Network), a neuro-symbolic architecture that integrates symbolic planning knowledge through Causal Link-based labelling strategies. This architecture achieves state-of-the-art performance in both prediction speed and accuracy. Finally, we address adversarial scenarios by formalising deception and interference attacks that degrade the performance of OGR systems. We propose PAC-OGR, a defence framework that combines symbolic pre-processing with heuristic trend analysis, significantly improving robustness against observation manipulation while preserving real-time inference capabilities.

Questa tesi si inserisce nel campo del Goal Recognition (GR) sostituendo l'utilizzo di pianificatori computazionalmente intensivi con metodi di deep learning efficienti, accurati e robusti ai comportamenti avversari. In primo luogo, stabiliamo una nuova connessione tra la pianificazione automatica e l'elaborazione del linguaggio naturale introducendo PlanBERT, un modello che tratta le sequenze di azioni come strutture linguistiche. La nostra architettura dimostra di essere capace di ricostruire sequenze di planning e di svolgere il task di goal recognition offline, validando che le architetture Transformer possono apprendere efficacemente le dinamiche dei domini di pianificazione. Per il Goal Recognition Online (OGR), dove le previsioni devono essere aggiornate incrementalmente all'arrivo delle osservazioni, adattiamo GRNet come solida baseline neurale e introduciamo CLERNet (Causal Link Enhanced Recurrent Network), un'architettura neuro-simbolica che integra la conoscenza simbolica di pianificazione attraverso strategie di etichettatura basate sui causal link. Questa architettura dimostra capacità superiori allo stato nell'arte sia in velocità di predizione che in accuratezza. Infine, affrontiamo scenari avversari formalizzando attacchi di inganno e interferenza che degradano le prestazioni dei sistemi OGR. Proponiamo PAC-OGR, un framework di difesa che combina la pre-elaborazione simbolica con l'analisi euristica dei trend, migliorando significativamente la robustezza contro la manipolazione delle osservazioni preservando le capacità di inferenza in tempo reale.