Automated feature extraction for planning state representation

Abstract

[EN] Deep learning methods have recently emerged as a mechanism for generating embeddings of planning states without the need to predefine feature spaces. In this work, we advocate for an automated, cost-effective and interpretable approach to extract representative features of planning states from high-level language. We present a technique that builds up on the objects type and yields a generalization over an entire planning domain, enabling to encode numerical state and goal information of individual planning tasks. The proposed representation is then evaluated in a task for learning heuristic functions for particular domains. A comparative analysis with one of the best current sequential planner and a recent ML-based approach demonstrate the efficacy of our method in improving planner performance. Resumen Los me<acute accent>to dos de aprendizaje profundo han surgido recientemente como un mecanismo para generar embeddings de estados de planificacio<acute accent>n sin la necesidad de predefinir espacios de caracter & imath;<acute accent>sticas. En este trabajo, abogamos por un enfo que automatizado, eficiente en costes e interpretable para extraer caracter<acute accent>& imath;sticas representativas de los estados de planificacio<acute accent>n a partir de un lenguaje de alto nivel. Presentamos una te<acute accent>cnica que se basa en los tipos de objetos y permite una generalizacio<acute accent>n sobre todo un dominio de planificacio<acute accent>n, posibilitando la codificacio<acute accent>n de informacio<acute accent>n nume<acute accent>rica del estado y de los objetivos de tareas de planificacio<acute accent>n individuales. La representacio<acute accent>n propuesta se evalu<acute accent>a mediante una tarea de aprendizaje de funciones heur<acute accent>& imath;sticas para dominios espec<acute accent>& imath;ficos. Un ana<acute accent>lisis comparativo con uno de los mejores planificadores secuenciales actuales y con un enfo que reciente basado en aprendizaje automa<acute accent>tico demuestra la eficacia de nuestro me<acute accent>todo para mejorar el rendimiento de los planificadores.