Beyond classical planning: temporal and probabilistic extensions
Notice bibliographique
Résumé
Automated planning is a research field at the heart of artificial intelligence that deals with the central question of how to determine adequate actions that transform an initial state into a goal state. In classical planning, actions are deterministic and occur at single instant time points. Preconditions and effects are formulated over finite domain variables. To increase the applicability of planning for real world scenarios, we investigate two orthogonal extensions of classical planning. In the first part, we relax the restriction that actions have to occur at single instant time points in favor of a model that allows for durative actions that might overlap with each other. Furthermore, we consider numeric state variables that allow to represent real-valued fluents like fuel or money in a natural way. We present the temporal numeric planning system Temporal Fast Downward (TFD). Using a wide range of benchmarks we show that TFD is superior to state-of-the-art temporal planning systems in terms of both coverage and solution quality. The second part is concerned with probabilistic features. We drop the assumption of actions being deterministic and allow the definition of probability distributions over action outcomes. We show that it is worth to take probabilities into account in the decision making process by presenting several probability-aware algorithms for the Canadian Traveler's Problem, a challenging probabilistic planning benchmark. The demonstrated techniques clearly outperform the state-of-the-art approach that optimistically plans on a determinization of the original problem and replans in case of failure. We transfer the developed techniques to the more general field of domain-independent probabilistic planning. We present the probabilistic planning system PROST, winner of the most recent probabilistic planning competition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».