Lernen effektiver Abstraktionen für Planung (LEAP)

Komplexe Roboteraufgaben mit langen Zeiträumen und spärlichen Belohnungen sind eine Herausforderung für die Skalierung end-to-end Lernmethoden. Im Gegensatz dazu haben Planungsansätze großes Potenzial gezeigt, um solche komplexen Aufgaben effektiv zu bewältigen. Eine der Hauptkritiken an plattformbasierten Ansätzen war der Mangel an verfügbaren genauen Weltmodellen (auch Abstraktionen genannt), die genutzt werden können. Es gibt ein erneutes Interesse daran, auf lernbasierten Ansätzen symbolische Darstellungen zu lernen, die die Planung unterstützen. Diese Forschung ist jedoch oft in voneinander getrennte Teilgemeinschaften fragmentiert, wie zum Beispiel Aufgaben- und Bewegungsplanung, verstärkendes Lernen (hierarchisch, modellbasiert), Planung mit formaler Logik, Planung mit natürlicher Sprache (Sprachmodelle) und neuro-symbolische KI. Wie in den Vorjahren wird LEAP Forscher aus verschiedenen Teilbereichen zusammenbringen, um zu diskutieren, wie wir Lernen, Planung und Abstraktionen kombinieren können, um immer komplexere Roboteraufgaben mit langen Zeiträumen und spärlichen Belohnungen zu lösen.