Combining learning and symbolic planning for robust goal and plan recognition

• Ano de defesa: 2021
• Autor(a) principal: Amado, Leonardo Rosa
• Orientador(a): Meneguzzi, Felipe Rech
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Pontifícia Universidade Católica do Rio Grande do Sul
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Reconhecimento de Objetivos; Reconhecimento de Planos; Planejamento Clássico; Auto-Encoders; Aprendizado de Máquina
• Palavras-chave em Inglês: Goal Recognition; Plan Recognition; Classical Planning; Auto-Encoders; Machine Learning
• Área do conhecimento CNPq: CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
• Link de acesso: https://tede2.pucrs.br/tede2/handle/tede/10394

Abordagens de reconhecimento de planos e objetivos têm relaxado progressivamente os requerimentos sobre a quantidade de conhecimento de domínio e observações necessárias para o funcionamento destas abordagens, criando algoritmos precisos e eficientes. Porém, es­sas abordagens se baseiam em duas premissas chaves sobre as informações disponíveis para o processo de reconhecimento. Primeiro, é necessário um especialista de domínio capaz de construir conhecimento de domínio de maneira completa e correta para reconhecer o objetivo sendo buscado por um agente. Segundo, mesmo com um domínio correto e completo, a maioria das abordagens de reconhecimento de planos e objetivos são diretamente afetadas pela qualidade das observações analisadas. Enquanto abordagens clássicas de planejamento podem prover soluções para estes problemas, abordagens de aprendizado de máquina são proficientes em lidar com erros e incompletude nos dados fornecidos. Nesta tese, nós introduzimos três abordagens capazes de melhorar o desempenho de técnicas de reconhecimento de planos e objetivos. Pri­meiro, utilizamos aprendizado não supervisionado profundo para construir conhecimento de domínio a partir de imagens, utilizando o domínio computado para reconhecer objetivos em problemas baseados em imagens. Segundo, desenvolvemos uma abordagem para prever observações faltando em problemas de reconhecimento de objetivos, aumentando a qualidade das observações destes problemas. Terceiro, combinamos técnicas de aprendizado de máquina e planejamento clássico para construir um novo algoritmo para reconhecimento de planos e objetivos. Nesta tese, mostramos a eficácia de cada técnica desenvolvida em um conjunto diverso de domínios de planejamento, incluindo domínios baseados em imagens e domínios clássicos.