Valencia, España
Los m ́etodos de aprendizaje profundo han surgido recientemente como un mecanismo para generarembeddings de estados de planificaci ́on sin la necesidad de predefinir espacios de caracter ́ısticas. En este trabajo,abogamos por un enfoque automatizado, eficiente en costes e interpretable para extraer caracter ́ısticas repre-sentativas de los estados de planificaci ́on a partir de un lenguaje de alto nivel. Presentamos una t ́ecnica que sebasa en los tipos de objetos y permite una generalizaci ́on sobre todo un dominio de planificaci ́on, posibilitandola codificaci ́on de informaci ́on num ́erica del estado y de los objetivos de tareas de planificaci ́on individuales. Larepresentaci ́on propuesta se eval ́ua mediante una tarea de aprendizaje de funciones heur ́ısticas para dominiosespec ́ıficos. Un an ́alisis comparativo con uno de los mejores planificadores secuenciales actuales y con un enfoquereciente basado en aprendizaje autom ́atico demuestra la eficacia de nuestro m ́etodo para mejorar el rendimientode los planificadores.
Deep learning methods have recently emerged as a mechanism for generating embeddings of planning states without the need to predefine feature spaces. In this work, we advocate for an automated, cost-effective and interpretable approach to extract representative features of planning states from high-level language. We present a technique that builds up on the objects type and yields a generalization over an entire planning domain, enabling to encode numerical state and goal information of individual planning tasks. The proposed representation is then evaluated in a task for learning heuristic functions for particular domains. A comparative analysis with one of the best current sequential planner and a recent ML-based approach demonstrate the efficacy of our method in improving planner performance.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados