Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Specializing TEmporal Planning using Reinforcement Learning

Opis projektu

Automatyczna specjalizacja planowania temporalnego dzięki sztucznej inteligencji

Skuteczne planowanie jest niezbędne do osiągania pożądanych celów, zwłaszcza gdy czas i ograniczenia odgrywają kluczową rolę. Planowanie temporalne koncentruje się na automatycznym generowaniu strategii właśnie w takich warunkach i ma zastosowania w takich dziedzinach jak robotyka, logistyka i elastyczna produkcja. Pomimo kilku postępów, skalowalność obecnych ram ogólnego przeznaczenia pozostaje ograniczona, a planowanie temporalne niezależne od domeny zmaga się ze złożonością świata rzeczywistego. Tymczasem rozwiązania specyficzne dla danej domeny, choć wydajne, są kosztowne w rozwoju i trudne w utrzymaniu. Z tych względów projekt STEP-RL finansowany przez ERBN ma na celu przezwyciężenie tych wyzwań poprzez wprowadzenie nowego podejścia planowania temporalnego niezależnego od domeny wykorzystującego uczenie ze wzmocnieniem. Ramy te pozwalają na automatyczną specjalizację, która umożliwia planistom temporalnym dostosowanie i optymalizację w czasie, co zwiększa zarówno wydajność, jak i elastyczność w rozwiązywaniu złożonych problemów związanych z planowaniem temporalnym.

Cel

"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."

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2023-STG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

FONDAZIONE BRUNO KESSLER
Wkład UE netto
€ 1 493 750,00
Koszt całkowity
€ 1 493 750,00

Beneficjenci (1)