Métodos de aprendizaje automático para grounding en planning clásico

• Autores: Olcese, Julia
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Areces, Carlos Eduardo
• Materia: Planificación y programación; Algoritmos de aprendizaje automático; Inteligencia artificial; Aprendizaje automático; Planificación automática; Arquitectura transformer; Modelos de traducción automática; Planning and scheduling; Machine learning algorithms; Artificial intelligence; Machine learning; Automated planning; Transformer architecture; Grounding; Machine translation models
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025.
Fil: Olcese, Julia. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
La mayoría de los problemas de planificación se representan en PDDL, un lenguaje que permite definir acciones y predicados abstractos utilizando variables. Sin embargo, la mayoría de los planificadores automáticos encuentran planes basados en una representación completamente instanciada, por lo que es necesario asignar objetos concretos a dichas variables en un proceso conocido como grounding. Cuando el grounding genera todas las combinaciones posibles de instanciaciones, el número de acciones puede volverse excesivo, lo que resulta ineficiente para los algoritmos de búsqueda. Para abordar este problema, se propone un proceso de grounding más eficiente que, en lugar de instanciar todas las combinaciones posibles, utiliza modelos de traducción automática basados en la arquitectura Transformer para estimar la relevancia de cada acción. Luego, solamente las acciones más relevantes son instanciadas.
Most planning problems are represented in PDDL, a language that defines actions and predicates using variables. However, most automatic planners require fully instantiated representations, so it is necessary to replace the variables with objects through a process known as grounding. When grounding generates all possible instantiations, the resulting number of actions can become overwhelming, making search algorithms inefficient. To address this issue, we propose a more efficient grounding process that avoids instantiating all possible combinations and uses machine translation models based on the Transformer architecture to estimate the relevance of each action. Actions are then instantiated selectively based on this relevance.
Fil: Olcese, Julia. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.