Uczący się skutecznych abstrakcji dla planowania (LEAP)

Złożone zadania robotyczne o długim horyzoncie i niskich nagrodach są wyzwaniem dla skalowania metod nauki końcowej. W przeciwieństwie do nich, podejścia planistyczne wykazały wielki potencjał do skutecznego radzenia sobie z takimi skomplikowanymi zadaniami. Jedną z głównych krytyk podejść opartych na planowaniu była brak dostępnych dokładnych modeli świata (tzw. abstrakcji) do wykorzystania. Ponownie wzrosło zainteresowanie wykorzystaniem podejść opartych na nauce do uczenia się symbolicznych reprezentacji wspierających planowanie. Jednakże, badania te często są rozdzielone na różne podspołeczności, takie jak planowanie zadań i ruchu, uczenie przez wzmacnianie (hierarchiczne, oparte na modelach), planowanie z użyciem logiki formalnej, planowanie z użyciem języka naturalnego (modele językowe) i neuro-symboliczne AI. Jak w poprzednich latach, LEAP połączy badaczy z różnych poddziedzin, aby omówić, jak możemy połączyć naukę, planowanie i abstrakcje w celu rozwiązania coraz bardziej złożonych zadań robotycznych o długim horyzoncie i niskich nagrodach.