Neue Landmarks: Lernende Graphen verbessern Planung in großen Instanzen
Ein neues Forschungsframework aus dem arXiv-Preprint arXiv:2508.21564v1 zeigt, wie Landmarks – entscheidende Zwischenziele in Planungsproblemen – automatisch über ein ganzes Domain-Set hinweg generalisiert werden können. Durch die Nutzung von Zustandsfunktionen, die unabhängig von konkreten Objekten sind, lassen sich wiederkehrende Strukturen erkennen und in einem gerichteten Landmarken-Graphen abbilden.
Der Ansatz geht über herkömmliche Landmarken-Extraktionsalgorithmen hinaus, indem er nicht nur die üblichen Prädikate, sondern auch objektunabhängige Funktionen einbezieht. Dadurch entstehen generalisierte Landmarks, die für alle ähnlichen Objekte gelten und somit die Wiederholung von Teilplänen erfassen. Der resultierende Graph definiert die Reihenfolge der Landmarks und ermöglicht sogar Schleifen für wiederkehrende Subpläne.
In Experimenten zeigte sich, dass die aus wenigen kleinen Instanzen erlernten Landmarken-Graphen auch bei deutlich größeren Problemfällen im selben Domainbereich effektiv sind. Besonders bei identifizierten Wiederholungsschleifen verbesserte sich die Heuristikleistung signifikant gegenüber dem Baseline-Ansatz. Die gewonnenen, interpretierbaren Domaininformationen können automatisierte Planer nutzen, um neue Instanzen schneller und effizienter zu lösen.