Search

Safe Learning and Repairing of Numeric Action Models for Planning

The concept of complex IT systems includes all systems consisting of a large number of inter-connected and computer-managed components. The configuration and management of these systems involves a multitude of tasks that are critical to their proper functioning and their evolution. The problem of defining procedures for managing and configuring such systems becomes very critical in view of their increasing complexity and their rapid evolution. The aim of this thesis is to develop a mixed-initiative planning tool for the automatic co-generation of a set of management and configuration actions, regardless of the application domain. In this perspective, we develop GTOHP, a hierarchical automatic planner, with HTN, that present the high performance needed for a mixed-initiative interaction. We propose an algorithm for the instantiation and the simplification of HTN planning problems, which significantly reduces their complexity and improves the performance of the planning algorithms. We also propose an extension to the « Planning Domain Definition Language » (PDDL) in order to modelize the knowledge of domain experts in the form of tasks decomposition methods that will be used to guide the HTN planning algorithm. Then, we integrate some mechanisms to GTOHP for collecting statistics and information about the tests results carried out during the plans search and integrate them into the MIP which provides several features of mixed-initiative interaction. We demonstrate the high performance of the GTOHP planner and the contributions of the instantiation and simplification algorithm, by comparing them to a state-of-the-art HTN planner through a series of experiments on planning domains from the international planning competitions. Finally, we propose a panel of evaluation criteria of mixed-initiative systems that serve as a basis for the discussion about the performances and contributions of the MIP system.; Le concept de systèmes informatisés complexes rassemble tous les systèmes constitués d’un grand nombre de composantes inter-connectées et gérées par ordinateur. La configuration et la gestion de ces systèmes passe par une multitude de tâches critiques à leur bon fonctionnement et leur évolution. La problématique de la mise en place et la maîtrise des procédures de gestion et de configuration de tels systèmes devient un point critique au vu de la complexité croissante et du besoin d’évolution de ces derniers. L’objectif de cette thèse est de répondre à cette problématique, à travers le développement d’un outil de planification en mixed-initiative pour la co-génération automatique d’actions de gestion et de configuration, indépendamment du domaine d’application. Dans cette perspective, nous développons « Grounded Totally Ordered Hierarchical Planner » (GTOHP), un planificateur automatique hiérarchique, en « Hierarchical Task Network » (HTN), qui présente des performances élevées nécessaires à une interaction en mixed-initiative. Pour cela nous proposons un algorithme d’instanciation et de simplification des problèmes de planification HTN qui réduit de manière très significative leur complexité et améliore de ce fait les performances des algorithmes de planification. Nous proposons aussi une extension au langage de définition des domaines de planification automatique PDDL afin de modéliser les connaissances des experts du domaine d’application sous forme de méthodes de décomposition des tâches qui serviront à guider l’algorithme de planification HTN. Ensuite, nous intégrons au planificateur GTOHP des mécanismes de récolte de statistiques et d’in- formations sur les résultats des tests réalisés lors de la recherche de plans et nous l’intégrons dans le système « Mixed-Initiative Planner » (MIP) qui fournit plusieurs fonctionnalités d’interaction en mixed-initiative. Nous démontrons les performances élevées du planificateur GTOHP et les apports de l’algorithme d’instanciation et de simplification en le comparant à un planificateur HTN de l’état de l’art à travers une série d’expérimentations sur des domaines de planification issues de la compé- tition internationale de planification automatique. Enfin, nous proposons des critères d’évaluation pour les systèmes en mixed-initiative qui servent de base à la discussion du système MIP.

The concept of complex IT systems includes all systems consisting of a large number of inter-connected and computer-managed components. The configuration and management of these systems involves a multitude of tasks that are critical to their proper functioning and their evolution. The problem of defining procedures for managing and configuring such systems becomes very critical in view of their increasing complexity and their rapid evolution. The aim of this thesis is to develop a mixed-initiative planning tool for the automatic co-generation of a set of management and configuration actions, regardless of the application domain. In this perspective, we develop GTOHP, a hierarchical automatic planner, with HTN, that present the high performance needed for a mixed-initiative interaction. We propose an algorithm for the instantiation and the simplification of HTN planning problems, which significantly reduces their complexity and improves the performance of the planning algorithms. We also propose an extension to the « Planning Domain Definition Language » (PDDL) in order to modelize the knowledge of domain experts in the form of tasks decomposition methods that will be used to guide the HTN planning algorithm. Then, we integrate some mechanisms to GTOHP for collecting statistics and information about the tests results carried out during the plans search and integrate them into the MIP which provides several features of mixed-initiative interaction. We demonstrate the high performance of the GTOHP planner and the contributions of the instantiation and simplification algorithm, by comparing them to a state-of-the-art HTN planner through a series of experiments on planning domains from the international planning competitions. Finally, we propose a panel of evaluation criteria of mixed-initiative systems that serve as a basis for the discussion about the performances and contributions of the MIP system.; Le concept de systèmes informatisés complexes rassemble tous les systèmes constitués d’un grand nombre de composantes inter-connectées et gérées par ordinateur. La configuration et la gestion de ces systèmes passe par une multitude de tâches critiques à leur bon fonctionnement et leur évolution. La problématique de la mise en place et la maîtrise des procédures de gestion et de configuration de tels systèmes devient un point critique au vu de la complexité croissante et du besoin d’évolution de ces derniers. L’objectif de cette thèse est de répondre à cette problématique, à travers le développement d’un outil de planification en mixed-initiative pour la co-génération automatique d’actions de gestion et de configuration, indépendamment du domaine d’application. Dans cette perspective, nous développons « Grounded Totally Ordered Hierarchical Planner » (GTOHP), un planificateur automatique hiérarchique, en « Hierarchical Task Network » (HTN), qui présente des performances élevées nécessaires à une interaction en mixed-initiative. Pour cela nous proposons un algorithme d’instanciation et de simplification des problèmes de planification HTN qui réduit de manière très significative leur complexité et améliore de ce fait les performances des algorithmes de planification. Nous proposons aussi une extension au langage de définition des domaines de planification automatique PDDL afin de modéliser les connaissances des experts du domaine d’application sous forme de méthodes de décomposition des tâches qui serviront à guider l’algorithme de planification HTN. Ensuite, nous intégrons au planificateur GTOHP des mécanismes de récolte de statistiques et d’in- formations sur les résultats des tests réalisés lors de la recherche de plans et nous l’intégrons dans le système « Mixed-Initiative Planner » (MIP) qui fournit plusieurs fonctionnalités d’interaction en mixed-initiative. Nous démontrons les performances élevées du planificateur GTOHP et les apports de l’algorithme d’instanciation et de simplification en le comparant à un planificateur HTN de l’état de l’art à travers une série d’expérimentations sur des domaines de planification issues de la compé- tition internationale de planification automatique. Enfin, nous proposons des critères d’évaluation pour les systèmes en mixed-initiative qui servent de base à la discussion du système MIP.

This thesis explores the application of HTN planning to the animation of an infantry platoon in a real-time simulation software. In order to achieve online planning for nearly 40 soldiers, we show that it is possible to optimize the planner for one HTN domain with a compilation of planning elements into C++ static structures and procedures. Then, we demonstrate that the problem structure lends itself to a combination of HTN planning with abstraction planning, achieved with the modelisation of abstract effects for compound tasks. In some conditions, we can detect those task networks that never lead to any executable solution, and therefore improve the search. Eventually, we show that the problem structure enables to formulate evaluation functions that can be input into a non admissible heuristic search algorithm, and that near optimal solutions can be obtained within a short run-time.; Cette thèse explore l'application de la planification HTN afin d'animer une section d'infanterie dans un simulateur informatique temps réel. Afin de produire des plans en ligne pour près de 40 soldats, on montre qu'il est possible d'optimiser le planificateur pour un domaine HTN en compilant les éléments de planifications en structures statiques et en procédures C++. On montre ensuite que la structure du problème se prête à une combinaison de la planification HTN avec la planification par abstraction, obtenue en modélisant des effets abstraits aux tâches composées. Sous certaines conditions, la recherche de solutions est alors accélérée en détectant les réseaux de tâches pour lesquels aucune solution n'est exécutable. Enfin, on montre que la structure du problème permet aussi de formuler des fonctions d'évaluation exploitables dans un algorithme de recherche heuristique non admissible, capable de retourner rapidement des solutions presque optimales.

Les algorithmes permettant la création de stratégies efficaces pour la résolution d’ensemble de problèmes hétéroclites ont toujours été un des piliers de la recherche en Intelligence Artificielle. Dans cette optique, la planification de tâches a pour objectif de fournir à un système la capacité de raisonner pour interagir avec son environnement de façon autonome afin d’atteindre les buts qui lui ont été assignés. À partir d’une description de l’état initial du monde, des actions que le système peut exécuter, et des buts qu’il doit atteindre, un planificateur calcule une séquence d’actions dont l’exécution permet de faire passer l’état du monde dans lequel évolue le système vers un état qui satisfait les buts qu’on lui a fixés. Le problème de planification est en général difficile à résoudre (PSPACE-difficile), cependant certaines propriétés des problèmes peuvent être automatiquement extraites permettant ainsi une résolution efficace. Dans un premier temps, nous avons développé l’algorithme LMBFS (Landmark-based Meta Best-First Search). À contre-courant des planificateurs state-of-the-art, basés sur la recherche heuristique dans l’espace d’états, LMBFS est un algorithme qui réactualise la technique de décomposition des problèmes de planification basés sur les landmarks. Un landmark est un fluent qui doit être vrai à un certain moment durant l’exécution de n’importe quel plan solution. L’algorithme LMBFS découpe le problème principal en un ensemble de sous-problèmes et essaie de trouver une solution globale grâce aux solutions trouvées pour ces sous-problèmes. Dans un second temps, nous avons adapté un ensemble de techniques pour améliorer les performances de l’algorithme. Enfin, nous avons testé et comparé chacune de ces méthodes permettant ainsi la création d’un planificateur efficace. The algorithms allowing on-the-fly computation of efficient strategies solving a heterogeneous set of problems has always been one of the greatest challenges faced by research in Artificial Intelligence. To this end, classical planning provides to a system reasoning capacities, in order to help it to interact with its environment autonomously. Given a description of the world current state, the actions the system is able to perform, and the goal it is supposed to reach, a planner can compute an action sequence yielding a state satisfying the predefined goal. The planning problem is usually intractable (PSPACE-hard), however some properties of the problems can be automatically extracted allowing the design of efficient solvers. Firstly, we have developed the Landmark-based Meta Best-First Search (LMBFS) algorithm. Unlike state-of-the-art planners, usually based on state-space heuristic search, LMBFS reenacts landmark-based planning problem decomposition. A landmark is a fluent appearing in each and every solution plan. The LMBFS algorithm splits the global problem in a set of subproblems and tries to find a global solution using the solutions found for these subproblems. Secondly, we have adapted classical planning techniques to enhance the performance of our base algorithm, making LMBFS a competitive planner. Finally, we have tested and compared these methods.

The algorithms allowing on-the-fly computation of efficient strategies solving a heterogeneous set of problems has always been one of the greatest challenges faced by research in Artificial Intelligence. To this end, classical planning provides to a system reasoning capacities, in order to help it to interact with its environment autonomously. Given a description of the world current state, the actions the system is able to perform, and the goal it is supposed to reach, a planner can compute an action sequence yielding a state satisfying the predefined goal. The planning problem is usually intractable (PSPACE-hard), however some properties of the problems can be automatically extracted allowing the design of efficient solvers.Firstly, we have developed the Landmark-based Meta Best-First Search (LMBFS) algorithm. Unlike state-of-the-art planners, usually based on state-space heuristic search, LMBFS reenacts landmark-based planning problem decomposition. A landmark is a fluent appearing in each and every solution plan. The LMBFS algorithm splits the global problem in a set of subproblems and tries to find a global solution using the solutions found for these subproblems. Secondly, we have adapted classical planning techniques to enhance the performance of our base algorithm, making LMBFS a competitive planner. Finally, we have tested and compared these methods., Les algorithmes permettant la création de stratégies efficaces pour la résolution d’ensemble de problèmes hétéroclites ont toujours été un des piliers de la recherche en Intelligence Artificielle. Dans cette optique, la planification de tâches a pour objectif de fournir à un système la capacité de raisonner pour interagir avec son environnement de façon autonome afin d’atteindre les buts qui lui ont été assignés. À partir d’une description de l’état initial du monde, des actions que le système peut exécuter, et des buts qu’il doit atteindre, un planificateur calcule une séquence d’actions dont l’exécution permet de faire passer l’état du monde dans lequel évolue le système vers un état qui satisfait les buts qu’on lui a fixés. Le problème de planification est en général difficile à résoudre (PSPACE-difficile), cependant certaines propriétés des problèmes peuvent être automatiquement extraites permettant ainsi une résolution efficace.Dans un premier temps, nous avons développé l’algorithme LMBFS (Landmarkbased Meta Best-First Search). À contre-courant des planificateurs state-of-the-art, basés sur la recherche heuristique dans l’espace d’états, LMBFS est un algorithme qui réactualise la technique de décomposition des problèmes de planification basés sur les landmarks. Un landmark est un fluent qui doit être vrai à un certain moment durant l’exécution de n’importe quel plan solution. L’algorithme LMBFS découpe le problème principal en un ensemble de sous-problèmes et essaie de trouver une solution globale grâce aux solutions trouvées pour ces sous-problèmes. Dans un second temps, nous avons adapté un ensemble de techniques pour améliorer les performances de l’algorithme. Enfin, nous avons testé et comparé chacune de ces méthodes permettant ainsi la création d’un planificateur efficace.

The algorithms allowing on-the-fly computation of efficient strategies solving a heterogeneous set of problems has always been one of the greatest challenges faced by research in Artificial Intelligence. To this end, classical planning provides to a system reasoning capacities, in order to help it to interact with its environment autonomously. Given a description of the world current state, the actions the system is able to perform, and the goal it is supposed to reach, a planner can compute an action sequence yielding a state satisfying the predefined goal. The planning problem is usually intractable (PSPACE-hard), however some properties of the problems can be automatically extracted allowing the design of efficient solvers.Firstly, we have developed the Landmark-based Meta Best-First Search (LMBFS) algorithm. Unlike state-of-the-art planners, usually based on state-space heuristic search, LMBFS reenacts landmark-based planning problem decomposition. A landmark is a fluent appearing in each and every solution plan. The LMBFS algorithm splits the global problem in a set of subproblems and tries to find a global solution using the solutions found for these subproblems. Secondly, we have adapted classical planning techniques to enhance the performance of our base algorithm, making LMBFS a competitive planner. Finally, we have tested and compared these methods.; Les algorithmes permettant la création de stratégies efficaces pour la résolution d’ensemble de problèmes hétéroclites ont toujours été un des piliers de la recherche en Intelligence Artificielle. Dans cette optique, la planification de tâches a pour objectif de fournir à un système la capacité de raisonner pour interagir avec son environnement de façon autonome afin d’atteindre les buts qui lui ont été assignés. À partir d’une description de l’état initial du monde, des actions que le système peut exécuter, et des buts qu’il doit atteindre, un planificateur calcule une séquence d’actions dont l’exécution permet de faire passer l’état du monde dans lequel évolue le système vers un état qui satisfait les buts qu’on lui a fixés. Le problème de planification est en général difficile à résoudre (PSPACE-difficile), cependant certaines propriétés des problèmes peuvent être automatiquement extraites permettant ainsi une résolution efficace.Dans un premier temps, nous avons développé l’algorithme LMBFS (Landmarkbased Meta Best-First Search). À contre-courant des planificateurs state-of-the-art, basés sur la recherche heuristique dans l’espace d’états, LMBFS est un algorithme qui réactualise la technique de décomposition des problèmes de planification basés sur les landmarks. Un landmark est un fluent qui doit être vrai à un certain moment durant l’exécution de n’importe quel plan solution. L’algorithme LMBFS découpe le problème principal en un ensemble de sous-problèmes et essaie de trouver une solution globale grâce aux solutions trouvées pour ces sous-problèmes. Dans un second temps, nous avons adapté un ensemble de techniques pour améliorer les performances de l’algorithme. Enfin, nous avons testé et comparé chacune de ces méthodes permettant ainsi la création d’un planificateur efficace.

In a context of Ambient Intelligence, some of the user's needs might not be anticipated, e.g. when the user is in an unforeseen situation. In this case, there could exist no system that exactly meets their needs. By composing the available systems, the user could obtain a new system that satisfies their needs. In order to adapt the composition to the context, the composition must allow the user to make choices at runtime. So the composition includes control structures for the user: the composition is flexible. In this thesis, I deal with the problem of the flexible composition by automated planning. I propose a model of flexible planning. The sequence and the choice operators are defined and used to characterize flexible plans. Then, two other operators are derived from the sequence and the choice operators: the interleaving and the iteration operators. I refer to this framework to define the flexibility produced by my planner, Lambda-Graphplan, which is based on the planning graph. The originality of Lambda-Graphplan is to produce iterations. I show that Lambda-Graphplan is very efficient on domains that allow the construction of iterative structures.; Nous nous positionnons dans un contexte d'informatique ambiante dans lequel il arrive que les besoins de l'utilisateur n'aient pas été prévus, notamment en situation exceptionnelle. Dans ce cas, il peut ne pas exister de système préconçu qui réponde exactement à ces besoins. Pour les satisfaire, il faut alors pouvoir composer les systèmes disponibles dans l'environnement, et le système composé doit permettre à l'utilisateur de faire des choix à l'exécution. Ainsi, l'utilisateur a la possibilité d'adapter l'exécution de la composition à son contexte. Cela signifie que la composition intègre des structures de contrôle de l'exécution, destinées à l'utilisateur : la composition est dite flexible. Dans cette thèse, nous proposons de répondre au problème de la composition flexible en contexte d'intelligence ambiante avec un planificateur produisant des plans flexibles. Dans un premier temps, nous proposons une modélisation de la planification flexible. Pour cela, nous définissons les opérateurs de séquence et d'alternative, utilisés pour caractériser les plans flexibles. Nous définissons deux autres opérateurs au moyen de la séquence et de l'alternative : l'entrelacement et l'itération. Nous nous référons à ce cadre théorique pour délimiter la flexibilité traitée par notre planificateur Lambda-Graphplan. L'originalité de Lambda-Graphplan est de produire des itérations en s'appuyant sur une approche par graphe de planification. Nous montrons notamment que Lambda-Graphplan est très performant avec les domaines se prêtant à la construction de structures itératives.

In a context of Ambient Intelligence, some of the user's needs might not be anticipated, e.g. when the user is in an unforeseen situation. In this case, there could exist no system that exactly meets their needs. By composing the available systems, the user could obtain a new system that satisfies their needs. In order to adapt the composition to the context, the composition must allow the user to make choices at runtime. So the composition includes control structures for the user: the composition is flexible. In this thesis, I deal with the problem of the flexible composition by automated planning. I propose a model of flexible planning. The sequence and the choice operators are defined and used to characterize flexible plans. Then, two other operators are derived from the sequence and the choice operators: the interleaving and the iteration operators. I refer to this framework to define the flexibility produced by my planner, Lambda-Graphplan, which is based on the planning graph. The originality of Lambda-Graphplan is to produce iterations. I show that Lambda-Graphplan is very efficient on domains that allow the construction of iterative structures.; Nous nous positionnons dans un contexte d'informatique ambiante dans lequel il arrive que les besoins de l'utilisateur n'aient pas été prévus, notamment en situation exceptionnelle. Dans ce cas, il peut ne pas exister de système préconçu qui réponde exactement à ces besoins. Pour les satisfaire, il faut alors pouvoir composer les systèmes disponibles dans l'environnement, et le système composé doit permettre à l'utilisateur de faire des choix à l'exécution. Ainsi, l'utilisateur a la possibilité d'adapter l'exécution de la composition à son contexte. Cela signifie que la composition intègre des structures de contrôle de l'exécution, destinées à l'utilisateur : la composition est dite flexible. Dans cette thèse, nous proposons de répondre au problème de la composition flexible en contexte d'intelligence ambiante avec un planificateur produisant des plans flexibles. Dans un premier temps, nous proposons une modélisation de la planification flexible. Pour cela, nous définissons les opérateurs de séquence et d'alternative, utilisés pour caractériser les plans flexibles. Nous définissons deux autres opérateurs au moyen de la séquence et de l'alternative : l'entrelacement et l'itération. Nous nous référons à ce cadre théorique pour délimiter la flexibilité traitée par notre planificateur Lambda-Graphplan. L'originalité de Lambda-Graphplan est de produire des itérations en s'appuyant sur une approche par graphe de planification. Nous montrons notamment que Lambda-Graphplan est très performant avec les domaines se prêtant à la construction de structures itératives.

Numéro Spécial Composition (Hermès-Lavoisier); National audience; In ubiquitous computing, user needs may opportunistically emerge along the variation of the context of use. Thus, there is a need for dynamically composing interactive systems. An interactive system is made of a functional core and a User Interface (UI). This paper deals with the composition of UIs to support opportunistic user needs in a given context of use (user, platform, environment). A state of the art about UI composition shows the originality of our work: the composition of a task model. The composition of the concrete UI is then delegated to a toolkit of interactors defined at the task level. The composition of the task model is done by automated planning. The work shows that current planners do not fulfill Human Computer Interaction (HCI) requirements. Therefore, a specific planner has been developed to compose UIs. This planner is used in Compose, our proof of concept. The work is original in two points: first, by the high level of abstraction the composition is performed; secondly, by the use of automated planning in HCI.

In ubiquitous computing, user needs may opportunistically emerge along the variation of the context of use. Thus, there is a need for dynamically composing interactive systems. An interactive system is made of a functional core and a User Interface (UI). This work deals with the composition of UIs to support opportunistic user needs in a given context of use (user, platform, environment). It proposes a problem space of UI composition based on a social study. A state of the art shows the originality of the work: the composition of the task model. The composition of the concrete UI is delegated to a toolkit of interactors defined at the task level. The composition of the task model is done by automated planning. The work shows that current planners do not fulfill Human Computer Interaction (HCI) requirements. Therefore, a specific planner has been developed to compose UIs. This planner is used in Compose, our proof of concept. The work is original in two points: first, by the high level of abstraction the composition is performed at; secondly, by the use of automated planning in HCI.; En informatique ambiante, les objectifs de l'utilisateur peuvent émerger opportunément. Il devient, dès lors, nécessaire de générer à la volée des systèmes interactifs. Un système interactif est composé d'un noyau fonctionnel et d'une Interface Homme-Machine (IHM). Cette thèse traite de la composition d'IHM pour un objectif utilisateur et un contexte d'usage (utilisateur, plate-forme, environnement) donnés. Elle en propose un espace problème fondé sur les exigences utilisateur recueillies par une étude qualitative. Un état de l'art positionne notre travail et en montre la complémentarité par rapport aux travaux existants : la composition du modèle de tâches. La composition de l'IHM concrète est déléguée à une boîte à outils d'interacteurs définis au niveau tâches. La composition du modèle de tâches se fait par planification automatique. L'étude montre que les planificateurs existants répondent partiellement au problème. Aussi, un planificateur a été spécifiquement développé pour l'IHM. Son utilisation est illustrée dans un prototype Compose. Le travail est original à deux titres : d'une part, son approche « Composition de modèles de tâches » est une extension de la littérature ; d'autre part, la composition d'IHM est un nouveau cadre applicatif pour les algorithmes de planification.