Planning binnen kunstmatige intelligentie (AI) verwijst naar het vermogen van een agent of systeem om een reeks acties te ontwikkelen om een bepaald doel te bereiken, vertrekkend vanuit een initiële toestand en rekening houdend met diverse beperkingen. Deze discipline automatiseert strategische besluitvorming, met inachtneming van de omgeving, beschikbare middelen, onzekerheden en interacties tussen agenten. Planning onderscheidt zich van optimalisatie door de nadruk op de temporele structurering van acties en het beheren van de complexiteit van sequentiële of parallelle taken.
Toepassingscases en voorbeelden
Planning is essentieel in autonome robotica (navigatie, objectmanipulatie), logistiek (magazijnbeheer, voertuigroutering), taakplanning in industriële productie, ruimtemissies en strategiespellen. In een geautomatiseerd magazijn bepaalt een planningssysteem bijvoorbeeld de optimale volgorde van het verzamelen van goederen. In robotica maakt planning het mogelijk voor robots om hun bewegingen te plannen en obstakels te vermijden.
Belangrijkste softwaretools, bibliotheken en frameworks
Belangrijke tools zijn onder andere PDDL (Planning Domain Definition Language), een standaard voor het modelleren van planningsproblemen. Veelgebruikte solvers zijn Fast Downward, OPTIC en LPG. Voor robotica biedt de MoveIt!-bibliotheek (voor ROS) geavanceerde bewegingsplanning. Andere frameworks zoals AIPlan4EU en pyperplan maken de integratie van planning in grotere systemen eenvoudiger.
Recente ontwikkelingen en trends
Planning wordt steeds vaker geïntegreerd met machine learning, waardoor systemen hun strategieën kunnen aanpassen op basis van ervaring. Hybride benaderingen die symbolische planning met neurale netwerken combineren, evenals multi-agent en collaboratieve planning, zijn in opkomst. Actuele uitdagingen zijn real-time planning, onzekerheidsbeheer en toepassing in gedeeltelijk observeerbare omgevingen. Interoperabiliteit met andere AI-modules (perceptie, dialoog) is een actief onderzoeksgebied.