Aprendiendo Abstracciones Efectivas para la Planificación (LEAP)

Tareas robóticas complejas de largo horizonte y recompensa escasa son desafiantes para escalar métodos de aprendizaje de extremo a extremo. En contraste, los enfoques de planificación han demostrado un gran potencial para manejar tales tareas complejas de manera efectiva. Una de las principales críticas a los enfoques basados en la planificación ha sido la falta de disponibilidad de modelos de mundo precisos (también conocidos como abstracciones) para utilizar. Ha habido un renovado interés en utilizar enfoques basados en el aprendizaje para aprender representaciones simbólicas que apoyen la planificación. Sin embargo, esta investigación a menudo está fragmentada en subcomunidades disjuntas como planificación de tareas y movimientos, aprendizaje por refuerzo (jerárquico, basado en modelos), planificación con lógica formal, planificación con lenguaje natural (modelos de lenguaje) y IA neuro-simbólica. Al igual que en años anteriores, LEAP reunirá a investigadores de distintos subcampos para discutir cómo podemos combinar el aprendizaje, la planificación y las abstracciones para resolver tareas robóticas cada vez más complejas de largo horizonte y recompensa escasa.