Unifying Temporal, Numeric and Hierarchical Task Planning through Constraint-Based Reasoning

Unification de la planification de tâches temporelle, numérique et hiérarchique par satisfaction de contraintes Les récentes avancées technologiques en robotique et en intelligence artificielle permettent le déploiement de flottes de robots autonomes dans diverses applications, allant de l'optimisation des processus de fabrication dans l'industrie 4.0 aux opérations de recherche et de sauvetage, en passant par l'automatisation des entrepôts.À mesure que la complexité de ces systèmes augmente, les algorithmes de planification doivent gérer un plus grand nombre d'agents, prendre en charge des objectifs et tâches complexes, tout en minimisant les coûts opérationnels tels que la consommation d'énergie, l'utilisation des ressources et la durée des missions.Les applications modernes nécessitent des systèmes de planification capables d'intégrer plusieurs dimensions de raisonnement : la coordination temporelle pour synchroniser les actions, la gestion numérique pour l'énergie et les ressources, et la décomposition hiérarchique des tâches pour structurer des missions complexes.Cependant, les approches existantes excellent en général dans un ou deux de ces aspects, mais peinent à gérer les trois simultanément, contraignant les praticiens à faire des compromis sur les capacités de modélisation, potentiellement au détriment d'aspects cruciaux.Cette thèse propose un cadre de planification unifié basé sur les contraintes, intégrant les dimensions temporelle, numérique et hiérarchique tout en mettant l'accent sur l'optimisation de la qualité des plans.Notre approche reformule les problèmes complexes multi-dimensionnels en problèmes de satisfaction de contraintes (CSP), exploitant les solveurs modernes de programmation par contraintes pour assurer robustesse théorique et efficacité pratique.L'idée centrale est que l'intégration cohérente de ces trois dimensions dans une représentation unifiée permet d'obtenir de meilleures solutions que leur traitement séparé.Nous présentons ARIES, un planificateur basé sur les contraintes, qui étend le formalisme des chroniques à travers deux extensions orthogonales : numérique et hiérarchique.Pour la planification numérique, ARIES introduit une représentation par jetons dissociant les calculs numériques du raisonnement temporel, offrant une vue unifiée des chroniques tout en assurant une propagation efficace des contraintes et une gestion souple des interactions numériques.Le système gère les effets numériques concurrents via une sémantique cumulative et prend en charge des objectifs d'optimisation dépendant d'expressions numériques.Pour la planification hiérarchique, nous enrichissons les chroniques avec des sous-tâches qualifiées temporellement et introduisons des jetons hiérarchiques, permettant la représentation conjointe d'actions primitives et de méthodes HTN dans une même formulation CSP.Ces extensions se combinent de manière fluide dans un cadre unique, permettant à ARIES de prendre en charge les spécifications PDDL 2.2 (temporelles-numériques) et HDDL (hiérarchiques), ce qui en fait le premier planificateur domaine-indépendant à raisonner de manière unifiée sans recourir à des sous-planificateurs.Nous fournissons une évaluation complète d'ARIES sur les domaines temporels-numériques et temporels-hiérarchiques de l'IPC, démontrant l'efficacité de chaque extension orthogonale.L'évaluation temporelle-numérique montre des performances compétitives face aux planificateurs de pointe, tout en excellant dans les scénarios orientés optimisation.L'évaluation temporelle-hiérarchique révèle des gains significatifs grâce à des modélisations alternatives réduisant les redondances.Enfin, nous illustrons l'intégration des trois dimensions à travers une étude de cas sur l'automatisation d'un entrepôt, soulignant la capacité d'ARIES à gérer la planification temporelle-numérique-hiérarchique dans un cadre unifié.