Nuovo Framework Combina Campionamento e Model-Checking per la Sintesi di POMDP

Esiste un nuovo approccio per gestire i Processi Decisionali di Markov Parzialmente Osservabili (POMDP) che combina campionamento, apprendimento di automi e model-checking per sviluppare controllori a stati finiti con garanzie di correttezza. Questo metodo è influenzato dall'algoritmo L* di Angluin, utilizzando il campionamento come controllo di appartenenza e il model-checking per verificare l'equivalenza. Raggiunge un livello di completezza fintanto che la politica guidata dal campionamento è regolare. È stato creato un prototipo per dimostrare questo approccio, con l'obiettivo di colmare il divario tra tecniche di campionamento scalabili ma non verificate e metodi di sintesi più formali ma restrittivi. È possibile trovare l'articolo su arXiv.