Effectieve Abstracties Leren voor Planning (LEAP)

Complexe taken voor robotica met lange termijn en spaarzame beloningen zijn uitdagend voor het schalen van end-to-end leermethoden. In tegenstelling hiermee hebben planningsmethoden groot potentieel getoond om dergelijke complexe taken effectief aan te pakken. Een van de belangrijkste kritiekpunten op planningsgebaseerde benaderingen is het gebrek aan accurate wereldmodellen (ook wel abstracties genoemd) om te benutten. Er is een hernieuwde interesse ontstaan in het gebruik van leermethoden om symbolische representaties te leren die planningen ondersteunen. Deze onderzoeksgebieden zijn echter vaak gefragmenteerd in losse subgemeenschappen zoals taak- en bewegingsplanning, reinforcement learning (hiërarchisch, modelgebaseerd), planning met formele logica, planning met natuurlijke taal (taalmodellen) en neuro-symbolische AI. Net als in voorgaande jaren zal LEAP onderzoekers uit verschillende subvelden samenbrengen om te bespreken hoe we leren, planning en abstracties kunnen combineren om steeds complexere taken in robotica met lange termijn en spaarzame beloningen op te lossen.