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
Estado
versión publicada
Colaborador/a o director/a de tesis
Areces, Carlos Eduardo
Descripción
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.
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
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/555506

id RDUUNC_13b86f1d12eb582f620642b0be815bef
oai_identifier_str oai:rdu.unc.edu.ar:11086/555506
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Métodos de aprendizaje automático para grounding en planning clásicoOlcese, JuliaPlanificación y programaciónAlgoritmos de aprendizaje automáticoInteligencia artificialAprendizaje automáticoPlanificación automáticaArquitectura transformerModelos de traducción automáticaPlanning and schedulingMachine learning algorithmsArtificial intelligenceMachine learningAutomated planningTransformer architectureGroundingMachine translation modelsTesis (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.Areces, Carlos Eduardo2025-03-14info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/555506spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-04T12:31:46Zoai:rdu.unc.edu.ar:11086/555506Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-04 12:31:47.075Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Métodos de aprendizaje automático para grounding en planning clásico
title Métodos de aprendizaje automático para grounding en planning clásico
spellingShingle Métodos de aprendizaje automático para grounding en planning clásico
Olcese, Julia
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
title_short Métodos de aprendizaje automático para grounding en planning clásico
title_full Métodos de aprendizaje automático para grounding en planning clásico
title_fullStr Métodos de aprendizaje automático para grounding en planning clásico
title_full_unstemmed Métodos de aprendizaje automático para grounding en planning clásico
title_sort Métodos de aprendizaje automático para grounding en planning clásico
dc.creator.none.fl_str_mv Olcese, Julia
author Olcese, Julia
author_facet Olcese, Julia
author_role author
dc.contributor.none.fl_str_mv Areces, Carlos Eduardo
dc.subject.none.fl_str_mv 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
topic 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
dc.description.none.fl_txt_mv 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.
description Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025.
publishDate 2025
dc.date.none.fl_str_mv 2025-03-14
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/555506
url http://hdl.handle.net/11086/555506
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1842349622438133760
score 13.13397