Planering och lärande för smarta transportsystem
- Diarienummer
- ID19-0053
- Projektledare
- Saffiotti, Alessandro
- Start- och slutdatum
- 200401-240331
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- Örebro University
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
AI-planering och schemaläggnings (AIPS) metoder är viktiga för industriella transportlösningar, de används till att automatisera nyckelkomponenter i uppdragstilldelning samt övervaka att planer kvarstår som rimliga under tiden. AIPS metoderna är vanligtvis beroende av kunskap som anges manuellt från planeringsexperter. AIPS-systemen bör förstärkas med förmåga till självlärning baserat på kunskap och erfarenhet från experter. Användningen av maskininlärningen ska förstärka systemens kapacitet att skala upp och tillhandahålla kvalitetsplaner på många transportområden. Det fyraåriga projektet, syftat mot en doktorsexamen, ska inkludera en industridoktorand anställd på Scania. Universitetshandledaren ska vara projektets huvudansökare från Örebro universitet och industrihandledaren ska vara projektets medsökare från Scania. Tre stora uppgifter är avsedda, med fokus på (1) hur man representerar och motiverar kunskap som lärs av exekveringsspår, (2) inlärning från mänskliga experter samt erfarenhet erhållen av simulering, och (3) exploatering av inlärning för att uppnå robusthet och realitetens tillämplighet. Projektet förväntas öka state-of-the-art inom automatiserad planering, vilket väsentligt driver fram tillämpningen av sådana metoder på verkliga problem. Den breda användbarheten av de uppnådda resultaten förstärker effekterna av den utvecklade tekniken, vilket kommer att bidra till en ökning av den ekonomiska- och ekologiska hållbarheten för ett brett spektrum av industrier.
Populärvetenskaplig beskrivning
AI planning and scheduling studies the problem of automatically deriving plans. A plan is a choice and temporal organization of tasks that should be carried out in order to achieve as best as possible some pre-stated objectives. This problem lies at the core of Artificial Intelligence and has been studied for decades. However, existing methods are difficult to apply in real-world applications, and in particular, those involving transport systems. This project will study methods for improving the applicability of AI planning and scheduling methods via machine learning. The key insight is to mimic what human planners do, that is, learn from positive and negative examples, and from more knowledgeable humans. It is expected that the use of machine learning will allow automated planning and scheduling systems to scale up and provide good quality plans in many domains. This project will target in particular industrial transport domains. Due to the ubiquity of such application contexts, we expect the results of the project to significantly increase the economic and ecological sustainability of a vast range of industries in which transport needs are pivotal. These include mining, logistics, and public transport, only to name a few.