| dbpprop:abstract
|
- Automated planning and scheduling is a branch of artificial intelligence that concerns the realisation of strategies or action sequences, typically for execution by intelligent agents, autonomous robots and unmanned vehicles. Unlike classical control and classification problems, the solutions are complex, unknown and have to be discovered and optimised in multidimensional space. In known environments with available models planning can be done offline. Solutions can be found and evaluated prior to execution. In dynamically unknown environments the strategy often needs to be revised online. Models and policies need to be adapted. Solutions usually resort to iterative trial and error processes commonly seen in artificial intelligence. These include dynamic programming, reinforcement learning and combinatorial optimization. A typical planner takes three inputs: a description of the initial state of the world, a description of the desired goal, and a set of possible actions, all encoded in a formal language such as STRIPS. The planner produces a sequence of actions that lead from the initial state to a state meeting the goal. An alternative language for describing planning problems is that of hierarchical task networks, in which a set of tasks is given, and each task can be either realized by a primitive action or decomposed in a set of other tasks. The difficulty of planning is dependent on the simplifying assumptions employed, e.g. atomic time, deterministic time, complete observability, etc. Classical planners make all these assumptions and have been studied most fully. Some popular techniques include: forward chaining and backward chaining state space search, possibly enhanced by the use of relationships among conditions or heuristics synthesized from the problem, search through plan space, and translation to propositional satisfiability. If the assumption of determinism is dropped and a probabilistic model of uncertainty is adopted, then this leads to the problem of policy generation for a Markov decision process (MDP) or (in the general case) Partially observable Markov decision process (POMDP).
- La Planificación (Automated planning) es una disciplina de la inteligencia artificial que tiene por objeto la producción de planes (es decir, un planificación), típicamente para la ejecución de un robot u otro agente. Los programas de planificación que incorporan estos algoritmos se denominan planificadores. Un planificador típico considera 3 entradas: una descripción del estado inicial del mundo una descripción del objetivo a alcanzar un conjunto de acciones posibles Generalmente, cada acción especifica preconiciones que se deben cumplir como requisito a tal acción, así como postcondiciones, que constituyen el efecto sobre el estado actual del mundo. Ejemplos de problemas de planificación pueden ser determinar la trayectoria de un robot en un espacion con obstáculos, o el problema de las torres de hanoi
- La planification (Automated planning) est une discipline de l'intelligence artificielle qui vise le développement d'algorithmes pour produire des plans (en d'autre termes, une planification), typiquement pour l'exécution par un robot ou tout autre agent. Les logiciels de planification qui incorporent ces algorithmes se nomment planificateurs. Un planificateur typique manipule prend trois entrées (toutes codées dans un langage formel tel que STRIPS qui utilise des prédicats logiques) : une description de l'état initial d'un monde, une description d'un but à atteindre et un ensemble d'actions possibles (parfois appelés opérateurs) Chaque action spécifie généralement des préconditions qui doivent être présentes dans l'état actuel pour qu'elle puisse être appliquée, et des postconditions (effets sur l'état actuel). La difficulté du problème de planification dépend des hypothèses de simplification qu'on prend pour acquis, par exemple un temps atomique, un temps déterministe, une observabilité complète, etc.
- 自動計画（英: Automated planning and scheduling）は人工知能のテーマの1つであり、戦略や行動順序の具体化をすること。典型的な例として、知的エージェント、自律型ロボット、無人航空機などでの利用がある。古典的制御システムや統計分類問題とは異なり、自動計画の解は複雑で未知であり、多次元空間における発見と最適化が必要となる。 既知の環境で既存のモデルがあれば、計画はオフラインで実行できる。解を見つけると、実行の前にそれを評価する。動的な未知の環境では、戦略をオンラインで改訂する必要が生じることが多い。モデルやポリシーはその環境に合わせて修正する必要がある。人工知能によく見られる試行錯誤の反復過程が必要となることが多い。自動計画には、動的計画法、強化学習、組合せ最適化が含まれる。 自動計画器は一般に、外界の初期状態、目標とされる最終状態、とりうるアクションの集合という3つの入力を必要とする。これらは STRIPS のような形式言語で符号化される。自動計画器は初期状態から最終状態へと状態を変化させる一連のアクションの計画を生成する。計画問題を記述する他の言語としては階層型タスクネットワーク (HTN) があり、タスクを階層的に細分化することで一連の基本的アクションの計画を生成する。 自動計画の難しさのレベルは前提の単純化（時間の単位、各アクションにかかる時間の決定性、観測可能性）をどの程度行うかに依存する。古典的な自動計画器はなるべく前提を単純化しており、よく研究されている。主な技法としては、状態空間探索における前向き連鎖や後向き連鎖があり、条件間の関係についての知識を利用することで強化したり（Graphplan）、問題に固有のヒューリスティックを用いたり、計画空間を探索したり、命題充足可能性問題に変換したり（Satplan）といったものがある。 決定性の前提を排除して確率的なモデルによる不確実さを採用した場合、マルコフ決定過程 (MDP) や部分観測マルコフ決定過程 (POMDP) のためのポリシー生成という問題が生じる。
- Planejamento Automatizado é uma área da Inteligência Artificial que estuda este processo de deliberação por meio da computação
- Автоматическое планирование и диспетчеризация (англ. Automated planning and scheduling, APS) — область задач искусственного интеллекта касающаяся выполнения стратегии или последовательности действий, обычно для интеллектуальных агентов, автономных роботов и беспилотных аппаратов. В отличие от классических проблем управления и классификации, решения задач данной области комплексны, неизвестны и должны разрабатываться и оптимизироваться в многомерном пространстве. При известных параметрах среды и доступных моделях планирование может осуществляться на этапе проектирования системы. Решения можно найти и оценить до выполнения. В случае непредсказуемого поведения среды стратегия должна пересматриваться на этапе реализации плана. Модели и шаблоны поведения должны быть адаптированы. Решения в основном используют процессы проб и ошибок присущие области искусственного интеллекта, такие как динамическое программирование, Обучение с подкреплением и комбинаторная оптимизация. У типичного планировщика три входа: описание начальных условий, описание желаемой цели и множество возможных действий, заданных формальным языком наподобие STRIPS. Планировщик создаёт последовательность действий, которые ведут систему из начального состояния в состояние, удовлетворяющее поставленной цели. Альтернативным способом описания проблем планирования является иерархическая сеть задач, в которой из данного множества задач, каждая задача может быть либо выполнена с помощью примитивного действия, либо разбита на аналогичное подмножество задач.
|
| rdfs:comment
|
- Automated planning and scheduling is a branch of artificial intelligence that concerns the realisation of strategies or action sequences, typically for execution by intelligent agents, autonomous robots and unmanned vehicles. Unlike classical control and classification problems, the solutions are complex, unknown and have to be discovered and optimised in multidimensional space. In known environments with available models planning can be done offline.
- La Planificación (Automated planning) es una disciplina de la inteligencia artificial que tiene por objeto la producción de planes (es decir, un planificación), típicamente para la ejecución de un robot u otro agente. Los programas de planificación que incorporan estos algoritmos se denominan planificadores.
- La planification (Automated planning) est une discipline de l'intelligence artificielle qui vise le développement d'algorithmes pour produire des plans (en d'autre termes, une planification), typiquement pour l'exécution par un robot ou tout autre agent. Les logiciels de planification qui incorporent ces algorithmes se nomment planificateurs.
- Planejamento Automatizado é uma área da Inteligência Artificial que estuda este processo de deliberação por meio da computação
- Автоматическое планирование и диспетчеризация (англ. Automated planning and scheduling, APS) — область задач искусственного интеллекта касающаяся выполнения стратегии или последовательности действий, обычно для интеллектуальных агентов, автономных роботов и беспилотных аппаратов.
|
![[RDF Data]](/statics/sw-cube.png)
