[ES] Inferencia y aprendizaje son los actos de razonar sobre evidencia recogida con el fin de alcanzar conclusiones lógicas sobre el proceso que la originó. En el contexto de un modelo de espacio de estados, inferencia y aprendizaje se refieren normalmente a explicar el comportamiento pasado de un agente, predecir sus acciones futuras, o identificar su modelo. En esta tesis, presentamos un marco para inferencia y aprendizaje en el modelo de espacio de estados subyacente al modelo de planificación clásica, y formulamos una paleta de problemas de inferencia y aprendizaje bajo este paraguas unificador. También desarrollamos métodos efectivos basados en planificación que nos permiten resolver estos problemas utilizando algoritmos de planificación genéricos del estado del arte. Mostraremos que un gran número de problemas de inferencia y aprendizaje claves que han sido tratados como desconectados se pueden formular de forma cohesiva y resolver siguiendo procedimientos homogéneos usando nuestro marco. Además, nuestro trabajo abre las puertas a nuevas aplicaciones para tecnología de planificación ya que resalta las características que hacen que el modelo de espacio de estados de planificación clásica sea diferente a los demás modelos. / [CA] Inferència i aprenentatge són els actes de raonar sobre evidència arreplegada a fi d'aconseguir conclusions lògiques sobre el procés que la va originar. En el context d'un model d'espai d'estats, inferència i aprenentatge es referixen normalment a explicar el comportament passat d'un agent, predir les seues accions futures, o identificar el seu model. En esta tesi, presentem un marc per a inferència i aprenentatge en el model d'espai d'estats subjacent al model de planificació clàssica, i formulem una paleta de problemes d'inferència i aprenentatge davall este paraigua unificador. També desenrotllem mètodes efectius basats en planificació que ens permeten resoldre estos problemes utilitzant algoritmes de planificació genèrics de l'estat de l'art. Mostrarem que un gran nombre de problemes d'inferència i aprenentatge claus que han sigut tractats com desconnectats es poden formular de forma cohesiva i resoldre seguint procediments homogenis usant el nostre marc. A més, el nostre treball obri les portes a noves aplicacions per a tecnologia de planificació ja que ressalta les característiques que fan que el model d'espai d'estats de planificació clàssica siga diferent dels altres models. / [EN] Inference and learning are the acts of reasoning about some collected evidence in order to reach a logical conclusion regarding the process that originated it. In the context of a state-space model, inference and learning are usually concerned with explaining an agent's past behaviour, predicting its future actions or identifying its model. In this thesis, we present a framework for inference and learning in the state-space model underlying the classical planning model, and formulate a palette of inference and learning problems under this unifying umbrella. We also develop effective planning-based approaches to solve these problems using off-the-shelf, state-of-the-art planning algorithms. We will show that several core inference and learning problems that previous research has treated as disconnected can be formulated in a cohesive way and solved following homogeneous procedures using the proposed framework. Further, our work opens the way for new applications of planning technology as it highlights the features that make the state-space model of classical planning different from other models. / The work developed in this doctoral thesis has been possible thanks to the FPU16/03184 fellowship that I have enjoyed for the duration of my PhD studies. I have also been supported by my advisors’ grants TIN2017-88476-C2-1-R, TIN2014-55637-C2-2-R-AR, and RYC-2015-18009. / Aineto García, D. (2022). Inference and Learning with Planning Models [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/185355 / TESIS

O design de sistemas automatizados inteligentes é fortemente dependente da etapa inicial de análise de requisitos, que além de suprimir possíveis incongruências - próprias desta fase inicial - provê um modelo inicial e funcional do sistema a ser implementado, capaz de orientar a definição dos parâmetros (design parameters) e em seguida a própria implementação. Um grande esforço tem sido empregado na área de Inteligência Artificial para definir planejadores automáticos confiáveis que possam ser usados na solução de problemas reais, que geralmente possuem um número elevado de parâmetros. Isto leva a uma situação onde métodos formais, geralmente aplicados em abordagens independentes de domínio, precisam ser aliados a métodos mais pragmáticos para produzir bons resultados. Seguindo esse princípio,o presente trabalho propõe um método de projeto no qual o usuário podem fazer a aquisição de conhecimento, modelar o domínio (tanto o domínio de aplicação quanto o domínio do problema de planejamento), fazer uma análise dinâmica do modelo e eventualmente verificá-lo usando linguagens conhecidas como UML, as Redes de Petri, e HTN, mantendo as características hierárquicas do problema. Esta abordagem demanda novos planejadores automáticos que consideram a abstração do sistema hierárquico, que é derivado de um modelo hierárquico de requisitos e de uma análise unificada feita também em redes de Petri hierárquicas. / The design of intelligent systems is strongly dependent of the requirements analysis initial stage, wich can remove possible inconsistencies - own this early stage - providing a primary functional model of the system being implemented. Besides that, it can be able to guide the definition of the parameters (design parameters) and then the implementation itself. A lot of effort has been employed in Artificial Intelligence field to define reliable automated planning systems that can be used to solve real problems, which generally have a large number of parameters. This leads to a situation where formal methods, generally applied to solve domain-independent problems, need to be combined with more pragmatic methods to produce good results. Following this principle, this work proposes a design method in which the user can make the acquisition of knowledge, model the domain (both the work domain and the planning problem domain), make a dynamic analysis of the model and eventually simulate it using well-kown language as UML, Petri Nets, and HTN, maintaining the hierarchical characteristics of the problem. This approach demands new automated planners who consider the abstraction of hierarchical system, which is derived from a hierarchical model requirements and an unified analysis made in hierarchical Petri nets.

This thesis presents an extension to the Temporal Fast Downward planning system that integrates motion planning in it and algorithms for generating two types of temporal macro operators expressible in PDDL2.1. The extension to the Temporal Fast Downward planning system includes, in addition to the integration of motion planning itself, an extension to the context-enhanced additive heuristic that uses information from the motion planning part to improve the heuristic estimate. The temporal macro operators expressible in PDDL2.1 are, to the author's knowledge, an area that is not studied within the context of plan repair before. Two types of temporal macro operators are presented along with algorithms for automatically constructing and using them when solving plan repair problems by replanning. Both the heuristic extension and the temporal macro operators were evaluated in the context of simulated unmanned aerial vehicles autonomously executing reconnaissance missions to identify targets and avoiding threats in unexplored areas. The heuristic extension was proved to be very helpful in the scenario. Unfortunately, the evaluation of the temporal macro operators indicated that the cost of introducing them is higher than the gain of using them for the scenario.

O design de sistemas automatizados inteligentes é fortemente dependente da etapa inicial de análise de requisitos, que além de suprimir possíveis incongruências - próprias desta fase inicial - provê um modelo inicial e funcional do sistema a ser implementado, capaz de orientar a definição dos parâmetros (design parameters) e em seguida a própria implementação. Um grande esforço tem sido empregado na área de Inteligência Artificial para definir planejadores automáticos confiáveis que possam ser usados na solução de problemas reais, que geralmente possuem um número elevado de parâmetros. Isto leva a uma situação onde métodos formais, geralmente aplicados em abordagens independentes de domínio, precisam ser aliados a métodos mais pragmáticos para produzir bons resultados. Seguindo esse princípio,o presente trabalho propõe um método de projeto no qual o usuário podem fazer a aquisição de conhecimento, modelar o domínio (tanto o domínio de aplicação quanto o domínio do problema de planejamento), fazer uma análise dinâmica do modelo e eventualmente verificá-lo usando linguagens conhecidas como UML, as Redes de Petri, e HTN, mantendo as características hierárquicas do problema. Esta abordagem demanda novos planejadores automáticos que consideram a abstração do sistema hierárquico, que é derivado de um modelo hierárquico de requisitos e de uma análise unificada feita também em redes de Petri hierárquicas. / The design of intelligent systems is strongly dependent of the requirements analysis initial stage, wich can remove possible inconsistencies - own this early stage - providing a primary functional model of the system being implemented. Besides that, it can be able to guide the definition of the parameters (design parameters) and then the implementation itself. A lot of effort has been employed in Artificial Intelligence field to define reliable automated planning systems that can be used to solve real problems, which generally have a large number of parameters. This leads to a situation where formal methods, generally applied to solve domain-independent problems, need to be combined with more pragmatic methods to produce good results. Following this principle, this work proposes a design method in which the user can make the acquisition of knowledge, model the domain (both the work domain and the planning problem domain), make a dynamic analysis of the model and eventually simulate it using well-kown language as UML, Petri Nets, and HTN, maintaining the hierarchical characteristics of the problem. This approach demands new automated planners who consider the abstraction of hierarchical system, which is derived from a hierarchical model requirements and an unified analysis made in hierarchical Petri nets.