Politiche a Due Livelli Combinano Pianificazione Simbolica con Apprendimento per Imitazione per Compiti a Lungo Orizzonte

Un nuovo preprint arXiv (2605.15975) propone un framework di politiche a due livelli per agenti AI incarnati per risolvere problemi di pianificazione a lungo orizzonte. L'approccio combina una politica simbolica di alto livello per una pianificazione efficiente e interpretabile con una politica neurale di basso livello appresa da dimostrazioni per il controllo motorio fine. La politica di alto livello opera su modelli del mondo simbolici, mentre quella di basso livello gestisce la manipolazione continua. Questo metodo ibrido mira a superare i limiti del puro apprendimento per imitazione nella generazione di piani estesi, sfruttando i punti di forza di entrambi i livelli di astrazione. L'articolo non specifica risultati sperimentali o benchmark.