Nuovo metodo scala la pianificazione consapevole dell'osservazione in domini incerti
Un nuovo metodo che affronta il Problema di Osservabilità Ottimale (OOP) migliora la pianificazione in domini incerti bilanciando la realizzabilità del compito con i costi hardware e di elaborazione. Basandosi sul modello del Processo Decisionale di Markov Parzialmente Osservabile (POMDP), lo studio indaga tecniche sub-simboliche per frammenti decidibili, in particolare il Problema di Selezione dei Sensori (SSP) e il Problema di Osservabilità Posizionale (POP). Questo approccio innovativo scompone i POMDP per individuare funzioni di osservazione efficaci, ottenendo miglioramenti di tre ordini di grandezza nella dimensione delle istanze e di cinque nel tempo di esecuzione rispetto ai metodi originali di sintesi dei parametri. La ricerca rientra nell'ambito dell'Informatica, con focus sull'Intelligenza Artificiale.
Fatti principali
- Il Problema di Osservabilità Ottimale (OOP) bilancia la realizzabilità del compito con i costi hardware e di elaborazione.
- L'OOP si basa sul modello del Processo Decisionale di Markov Parzialmente Osservabile (POMDP).
- Il lavoro studia tecniche sub-simboliche per frammenti decidibili: Problema di Selezione dei Sensori (SSP) e Problema di Osservabilità Posizionale (POP).
- Un nuovo metodo di risoluzione scompone i POMDP per identificare funzioni di osservazione sensate.
- Le prestazioni sono migliorate di 3 ordini di grandezza per la dimensione delle istanze e di 5 ordini di grandezza per il tempo di esecuzione.
- L'approccio originale era basato sulla sintesi dei parametri.
- Il problema riguarda la decisione su quali capacità di rilevamento implementare su un agente.
- La ricerca è classificata sotto Informatica > Intelligenza Artificiale.
Entità
—