Codifica Efficiente Lookahead e Larghezza Astratta per l'Apprendimento di Politiche Generali

arXiv:2605.18674v1 presenta un nuovo approccio alla pianificazione generalizzata che migliora le politiche Iterated Width (IW). Gli autori affrontano due limitazioni chiave di IW: costi computazionali non scalabili e limitazioni espressive nella valutazione individuale delle transizioni, e inefficienza con un numero elevato di oggetti (ad esempio, i benchmark IPC 2023). Introducono una codifica olistica dell'intero albero di ricerca che rappresenta congiuntamente più transizioni, e un meccanismo di larghezza astratta che riduce la complessità concentrandosi sugli atomi rilevanti. Il metodo raggiunge una scalabilità lineare con il numero di oggetti mantenendo o migliorando la qualità delle politiche. Esperimenti su domini IPC mostrano significativi speedup e una migliore generalizzazione rispetto ai precedenti approcci basati su GNN.