Uso de planes relajados en grounding heurístico

• Autores: Ocampo, Nicolás Benjamín
• Año de publicación: 2021
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Areces, Carlos Eduardo; Domínguez, Martín Ariel
• Materia: Aprendizaje automático; Proceso de grounding; Codificación one-hot; Computing methodologies; Planning and scheduling; Artificial Intelligence; Word embeddings; Machine learning
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.
Fil: Ocampo, Nicolás Benjamín. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Los planificadores en planning clásico encuentran planes con éxito aún para tareas realmente complejas. Para esto, la mayoría de planificadores realizan una etapa de preprocesamiento sobre la especificación de la tarea para obtener una representación de mucho más bajo nivel de abstracción. Este proceso es conocido como proceso de grounding. Cada vez que la tarea instanciada es demasiado grande para ser generada, la tarea no puede ser resuelta por el planificador. En esta tesis proponemos un proceso alternativo, denominado grounding heurístico, que guía el proceso de grounding, instanciando aquellas partes de la tarea que son relevantes. Para ello, se trabajó sobre modelos de aprendizaje supervisado, planes relajados y codificaciones ad-hoc y por word embeddings.
Planners in classical planning are successful in finding plans, even for complex tasks. To do so, most planners rely on a preprocessing Tstage that computes a grounded representation of the task. This process is known as the grounding process. However, if the grounded task is too big to be generated, it can not be tackled by the planner. In this thesis, we propose an alternative approach called heuristic grounding. This method, guides the grounding process, instantiating only the parts of the task that are relevant using machine learning techniques, relaxed plans, and ad-hoc and word embeddings encoders.
Fil: Ocampo, Nicolás Benjamín. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.