Kvalitativno modeliranje omogoča avtonomnim agentom hitro učenje posplošenih modelov iz majhnih naborov numeričnih podatkov. V primerjavi s klasičnimi numeričnimi modeli, kvalitativni modeli nudijo bolj jasen vpogled v principe upravljanja robotskega sistema, in sicer tako, da abstrahirajo določene numerične informacije. To je posebej zanimivo na področjih, kjer ugotovitve umetne inteligence lahko pripomorejo k razumevanju nekega probleme oz. kjer je potrebno preveriti skladnost odločitev umetne inteligence s praktičnim razumevanjem problema.
Planiranje z uporabo kvalitativih modelov predstavlja poseben izziv, saj ti modeli vsebujejo malo ali nič numeričnih informacij. Z uporabo kvalitativne simulacije lahko izpeljemo posplošene plane ali strategije vodenja, ki omogočajo nadaljnje vpoglede v možna obnašanje sistema. Vendar pa ni znane metode, ki bi takšne plane lahko izvedla brez dodatnega numeričnega učenja s poskušanjem.
V tej disertaciji predlagamo splošnonamenski sklop metod kvalitativnega planiranja ter izvajanja kvalitativnih planov v robotskih domenah, ki za izvajanje ne zahteva dodatnega učenja. Izvajanje se prilagodi na specifične numerične lastnosti sistema v realnem času in je običajno uspešno že prvič, ob ponovitvi pa se rezultat bistveno izboljša. Na ta način lahko hitro pridemo do delujoče, čeprav neoptimalne, rešitve. Predlagane metode demonstriramo na problemskih domenah, ki še niso bile obravnavane kvalitativno, ali pa v bolj omejenem obsegu.
|
