Aprendendo Abstrações Eficazes para Planejamento (LEAP)

Tarefas robóticas complexas de longo horizonte e recompensas escassas são desafiadoras para escalar métodos de aprendizado de ponta a ponta. Em contraste, abordagens de planejamento mostraram grande potencial para lidar com tais tarefas complexas de forma eficaz. Uma das principais críticas às abordagens baseadas em planejamento tem sido a falta de disponibilidade de modelos de mundo precisos (também conhecidos como abstrações) para utilizar. Houve um renovado interesse em usar abordagens baseadas em aprendizado para aprender representações simbólicas que suportem o planejamento. No entanto, essa pesquisa costuma ser fragmentada em subcomunidades desconexas, como planejamento de tarefas e movimentos, aprendizado por reforço (hierárquico, baseado em modelo), planejamento com lógica formal, planejamento com linguagem natural (modelos de linguagem) e IA neuro-simbólica. Assim como em anos anteriores, o LEAP reunirá pesquisadores de subcampos distintos para discutir como podemos combinar aprendizado, planejamento e abstrações para resolver tarefas robóticas cada vez mais complexas de longo horizonte e recompensas escassas.