Resumen

En el contexto de la navegación robótica, la IA de juegos, etc., la búsqueda en tiempo real se utiliza mucho para planificar el movimiento. Aunque satisface el requisito de una respuesta rápida a las órdenes de los usuarios y a los cambios del entorno, la búsqueda en tiempo real por aprendizaje (LRTS) adolece de depresiones heurísticas en las que los agentes se comportan de forma irracional. Se han introducido varias soluciones eficaces, como las abstracciones de estado. Este trabajo combina LRTS y la abstracción de árbol cuádruple codificado, que representa el espacio de búsqueda en multirresoluciones. Al explorar los entornos, los agentes pueden reparar localmente los modelos de árbol cuádruple y refinar de forma incremental la cognición espacial. En virtud de la idea de agregación de estados y generalización heurística, nuestro EQ LRTS (LRTS basado en quad-tree codificado) posee la capacidad de escapar rápidamente de las depresiones heurísticas con menos revisitaciones de estados. Los experimentos y el análisis muestran que (a) nuestro principio de codificación para quad-trees es un método mucho más eficiente en memoria que otras estructuras de datos que expresan quad-trees, (b) EQ LRTS difiere mucho en varias características de los PR LRTS clásicos que representan el espacio y refinan los caminos jerárquicamente, y (c) EQ LRTS reduce sustancialmente la cantidad de planificación y frena las actualizaciones heurísticas en comparación con LRTS en celdas uniformes.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Navegación robótica; IA de juegos; búsqueda en tiempo real; aprendizaje de la búsqueda en tiempo real; abstracciones de estado; abstracción de árbol cuádruple codificada.
• Keywords:Robot navigation; game AI; real-time search; learning real-time search; state abstractions; encoded quad-tree abstraction