Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Specializing TEmporal Planning using Reinforcement Learning

Descrizione del progetto

Pianificazione temporale specializzata in modo automatico con l’IA

Una pianificazione efficace è essenziale per raggiungere gli obiettivi desiderati, soprattutto quando il tempo e i vincoli giocano un ruolo critico. La pianificazione temporale si concentra sulla generazione automatica di strategie in tali condizioni, con applicazioni in campi quali la robotica, la logistica e la produzione flessibile. Nonostante i numerosi progressi, la scalabilità degli attuali quadri generici rimane limitata e la pianificazione temporale indipendente dal dominio si scontra con la complessità del mondo reale. Nel frattempo, le soluzioni specifiche per il dominio, sebbene efficienti, sono costose da sviluppare e difficili da mantenere. In questo contesto, il progetto STEP-RL, finanziato dal CER, intende superare queste sfide introducendo un nuovo approccio di pianificazione temporale indipendente dal dominio che utilizza l’apprendimento per rinforzo. Questo quadro consente la specializzazione automatica, permettendo l’adattamento e l’ottimizzazione dei pianificatori temporali nel tempo, migliorando così sia l’efficienza che la flessibilità nella risoluzione di complessi problemi di pianificazione temporale.

Obiettivo

"Planning - devising a strategy to achieve a desired objective - is one of the basic forms of intelligence. Temporal planning studies the automated synthesis of strategies when time and temporal constraints matter. Temporal planning is one of the most strategic fields of Artificial Intelligence, with applications in autonomous robotics, logistics, flexible production, and many other fields.

Historically, the research on temporal planning follows a general-purpose framework: a generic engine searches for the strategy by reasoning on the problem statement (i.e. the starting condition and the desired objective), as well as on a formal model of the domain (i.e. the possible actions). Despite substantial progress in the recent years, domain-independent temporal planning still suffers from scalability issues, and fails to deal with real-word problems. The alternative is to devise ad-hoc, domain-specific solutions that, although efficient, are costly to develop, rigid to maintain, and often inapplicable in non-nominal situations.

STEP-RL will study the foundations of a new approach to Temporal Planning, that is domain-independent and efficient at the same time. The idea is to adopt a framework based on Reinforcement Learning, where a domain-independent temporal planner is specialized with respect to the domain at hand. STEP-RL continuously improves its ability to solve temporal planning problems by learning from experience, thus becoming increasingly efficient by means of self-adaptation.

STEP-RL will advance the state of the art in temporal planning beyond the ""efficiency vs flexibility"" dilemma, that I had to personally face in the many industrial projects I worked on."

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2023-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

FONDAZIONE BRUNO KESSLER
Contributo netto dell'UE
€ 1 493 750,00
Indirizzo
VIA SANTA CROCE 77
38122 Trento
Italia
Regione
Nord-Est Provincia Autonoma di Trento Trento
Tipo di attività
Research Organisations
Collegamenti
Costo totale
€ 1 493 750,00

Beneficiari (1)