Este artículo presenta un marco de planificación en línea y un novedoso conjunto de datos de referencia para resolver el problema de reubicación de múltiples objetos en entornos multiespaciales parcialmente observables. Las soluciones existentes de reubicación de objetos basadas en aprendizaje de refuerzo o métodos de planificación codificados manualmente a menudo carecen de adaptabilidad a diversos problemas. Para abordar estas limitaciones, este artículo propone un enfoque de planificación de Proceso de Decisión de Markov Parcialmente Observable Orientado a Objetos Jerárquico (HOO-POMDP). Este enfoque consiste en (a) un planificador POMDP orientado a objetos que genera subobjetivos, (b) un conjunto de políticas de bajo nivel para lograr los subobjetivos, y (c) un sistema de abstracción que transforma el mundo continuo de bajo nivel en una representación adecuada para la planificación abstracta. Para permitir una evaluación rigurosa del problema de reubicación, presentamos MultiRoomR, un punto de referencia integral que presenta diversos entornos multiespaciales (observabilidad parcial del 10-30%, rutas bloqueadas, objetivos ocluidos y 10-20 objetos distribuidos en 2-4 habitaciones). Los resultados experimentales demuestran que el sistema propuesto maneja eficazmente estos escenarios complejos a pesar de la percepción imperfecta y logra resultados prometedores tanto en los puntos de referencia existentes como en el nuevo conjunto de datos MultiRoomR.
