Apprentissage de domaines HDDL à partir d'observations partielles et bruitées - Marvin
Communication Dans Un Congrès Année : 2024

Apprentissage de domaines HDDL à partir d'observations partielles et bruitées

Maxence Grand
  • Fonction : Auteur
  • PersonId : 1083047
Humbert Fiorino
Damien Pellier

Résumé

La planification HTN (Hierarchical Task Network) est largement utilisée pour décrire des domaines de planification. Contrairement à la planification STRIPS classique, qui ne requiert que la déclaration des actions, la planification HTN nécessite la déclaration des tâches et leur décomposition en sous-tâches, appelées méthodes. Par conséquent, l'encodage manuel des domaines HTN est considéré comme plus difficile, en particulier pour les experts applicatifs qui ne sont pas familiarisés avec les langages de planification. Pour relever ce défi, nous présentons une nouvelle approche appelée HierAMLSI, qui s'appuie sur l'induction grammaticale pour apprendre des domaines de planification HTN. Contrairement à d'autres méthodes d'apprentissage, HierAMLSI apprend, avec un haut degré de précision, les actions et les méthodes à partir de traces bruitées et partiellement observées.
Fichier principal
Vignette du fichier
pellier24b.pdf (323.07 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04637601 , version 1 (06-07-2024)

Identifiants

  • HAL Id : hal-04637601 , version 1

Citer

Maxence Grand, Humbert Fiorino, Damien Pellier. Apprentissage de domaines HDDL à partir d'observations partielles et bruitées. Journées d’Intelligence Artificielle Fondamentale, Jul 2024, La Rochelle, France. ⟨hal-04637601⟩
18 Consultations
10 Téléchargements

Partager

More