Search

[ES] Uno de los grandes retos de la Inteligencia Artificial ha sido y sigue siendo la capacidad de inferir soluciones dadas instancias pequeñas de un problema, o incluso subproblemas, que puedan generalizar hacia otras de tamaño mayor. El objetivo de la Planificación Generalista en el campo de la Planificación Automática es, precisamente, encontrar principios generales válidos más allá de los datos que se han utilizado para encontrarlos. En este trabajo, ofrecemos un acercamiento basado en Deep Reinforcement Learning (DRL), en el cual se ha intentado aprender una política capaz de resolver instancias de problemas complejos a partir del aprendizaje de la estructura subyacente del dominio con problemas más pequeños del mismo. Esto se ha conseguido utilizando una representación concreta de las tareas de planificación a través de un grafo, el cual codifica su estructura. En particular, se han utilizado Graph Neural Networks (GNN), que son un tipo concreto de Red Neuronal capaz de trabajar directamente con grafos y que usa esta misma estructura para sacar la máxima información del problema. Con todo esto, se verá que la política aprendida gracias mediante las técnicas DRL y GNN generaliza bien hacia instancias de varios órdenes de magnitud superiores que con los que se había entrenado., [EN] One of the greatest challenges of Artificial Intelligence has been and still is the ability to infer solutions from small problems or even subproblems that can generalize over larger instances. The goal of Generalized Planning in the field of Automated Planning is precisely to come up with general principles that are valid beyond the data used to infer such principles. In this work, we offer a perspective based on Deep Reinforcement Learning (DRL), in which we try to learn a policy capable of solving complex planning problem instances by learning the underlying structure through small problems of the same domain. This is achieved by using an ideal representation of the planning tasks in the form of a graph that encodes their structure. Particularly, we use Graph Neural Networks (GNN), which are a type of Neural Network capable of working directly on graphs and taking advantage of their structure to get the most out of the information. With all this, it will be shown that the policy learned by means of DRL and GNN generalizes well over instances of several orders of magnitude higher than those for which it has been trained.

La planificación automática se encarga de generar un plan con las distintas acciones que logran cumplir los objetivos definidos. Esta habilidad resulta útil en sistemas robotizados, porque permite definir el comportamiento de uno o varios robots sin tener que predefinir las acciones que consiguen cumplir un objetivo. En este trabajo presentaremos las principales herramientas que se pueden utilizar para integrar sistemas de planificación automática en entornos robotizados mediante el uso de ROS. Además, estas herramientas se integrarán en sistemas robóticos reales mediante el uso del simulador Gazebo, lo que permitirá una mayor comprensión sobre el funcionamiento del sistema., Automatic planning is responsible for generating a plan with the di erent actions that achieve the de ned objectives. This ability is useful in robotic systems, because it allows de ning the behavior of one or more robots without having to prede ne the actions that achieve a goal. In this work we will present the main tools that can be used to integrate automatic planning systems in robotic environments through the use of ROS. In addition, these tools will be integrated into real robotic systems using the Gazebo simulator, which will allow a greater understanding of the system., Grado en Ingeniería en Electrónica y Automática Industrial

La Planificación Automática (PA) es la disciplina de la Inteligencia Artificial que busca la producción de una secuencia de acciones que permiten alcanzar un objetivo específico, y que requiere la definición de un modelo de acción como flujo de entrada. Sin embargo, comenzar la construcción de un modelo de este tipo es una tarea difícil incluso para expertos. Este trabajo propone extraer información desde la web para luego identificar los elementos que corresponden a un modelo de acción para tareas de PA, lo que se busca es analizar un conjunto de páginas web donde se encuentra información en relación con planes ya producidos que resuelven un problema particular y extraer de allí un conjunto de pasos que permitan la solución a una problemática planteada. Después de recuperarlos se procesarán usando herramientas de Procesamiento de Lenguaje Natural (PLN), para así identificar un conjunto de acciones que hagan parte de un modelo de dominio en PA. El sistema propuesto alcanzó en promedio una precisión del 89,87% logrando, además, guardar todas las acciones extraídas en una ontologia para formar una gran Base de Conocimiento (BC) que permite más tarde utilizarlas para otros dominios en PA. En este artículo se presenta el resultado de investigación parcial del uso de las herramientas de extracción, preprocesamiento, identificación de componentes y almacenamiento en la ontología. Automated Planning (AP) is the discipline of Artificial Intelligence whose aim is to produce a sequence of actions in order to achieve a specific goal and requires the inflow of a pre-defined action model. However, to start the construction of this model is a difficult task even for experts. This paper proposes the extraction of information from the Web, in order to identify those elements that correspond to the action model for AP tasks, by analyzing a number of Web pages that contain data of already existing programs and extracting from them a set of tools which would allow to solve any given problem. The data obtained will be processed using Natural Language Processing (NLP) tools, in order to identify a set of actions that are part of an AP domain model. The proposed system reached an average accuracy of89.87% and save all actions taken on ontology to form a Knowledge Base (BC), which allows later use for other domains of PA. This article presents the results of a partial research about the uses of extraction tools, pre-processing, identification of components and storage in the ontology.

This paper presents HAUTO, a framework able to compose convergent services automatically. HAUTO is based in HTN (hierarchical task networks) Automated Planning and is composed of three modules: a request processing module that transforms natural language and context information into a planning instance, the automated composition module based on HTN planning and the execution environment for convergent (Web and telecom) services. The integration of a planning component provides two basic functionalities: the possibility of customizing the composition of services using the user context information and a middleware level that integrates the execution of services in high performance telecom environments. Finally, a prototype in environmental early warning management is presented as a test case. RESUMEN Este artículo presenta HAUTO, un framework que permite componer automáticamente servicios convergentes. HAUTO se basa en la planificación automática basada en redes jerárquicas de tareas HTN y se compone de tres módulos: un módulo de procesamiento de la solicitud, que transforma el lenguaje natural e información del contexto en una instancia de planificación, el módulo de composición automática basado en la planificación HTN; y el tercero, es el entorno de ejecución para servicios convergentes (Web y Telecom). La integración de un componente de planificación provee dos funcionalidades básicas: la posibilidad de personalizar la composición de los servicios usando la información del contexto del usuario y un middleware que se integra con la ejecución de los servicios en entornos de Telecomunicaciones de alto rendimiento. Finalmente, se presenta como caso de estudio un prototipo para la gestión de alertas ambientales tempranas.