Apprendre des Abstractions Efficaces pour la Planification (LEAP)

Les tâches robotiques complexes à long terme et à récompense rare représentent un défi pour l'évolutivité des méthodes d'apprentissage de bout en bout. En revanche, les approches de planification ont montré un grand potentiel pour gérer efficacement ces tâches complexes. L'une des principales critiques des approches basées sur la planification a été le manque de disponibilité de modèles du monde précis (également appelés abstractions) à utiliser. Un intérêt renouvelé s'est manifesté pour l'utilisation d'approches basées sur l'apprentissage afin d'apprendre des représentations symboliques qui soutiennent la planification. Cependant, cette recherche est souvent fragmentée en sous-communautés disjointes telles que la planification de tâches et de mouvements, l'apprentissage par renforcement (hiérarchique, basé sur un modèle), la planification avec la logique formelle, la planification avec le langage naturel (modèles de langage) et l'IA neuro-symbolique. Comme les années précédentes, LEAP rassemblera des chercheurs de sous-domaines disparates pour discuter de la manière dont nous pouvons combiner apprentissage, planification et abstractions pour résoudre des tâches robotiques de plus en plus complexes à long terme et à récompense rare.