PAMELA

Probabalistic Advanced Modeling and Execution Learning Architecture (PAMELA).

Model based programming in PAMELA video: https://youtu.be/WLovW6hlYHM

  

The goal of PAMELA is to design and implement a new probabilistic
modeling language that extends the current state of the art process modeling
languages, such as RMPL by adding first class probability
variables. The compiler will not only compile the model into an
automata representation such as a "Probabilistic Hierarchical
Constraint Automata" (PHCA), but it will also synthesize a learning
algorithm to bind the probabilistic variables using machine learning
algorithms, appropriate for the program. This approach reduces the
need for the programmer to be an expert in machine learning algorithms
freeing the programmer to write models that employ probability values.

 

Open Source

To encourage adoption and collaboration the PAMELA code is
open source. You can find (and contribute to) PAMELA on github
at https://github.com/dollabs/pamela.

PAMELA related tools are also available on github:

  • PLANVIZ: Planning Network Visualization

       https://github.com/dollabs/planviz

  • plan-schema: Schema validation and coercion utilities for TPNs and HTNs

       https://github.com/dollabs/plan-schema

 

Acknowledgement and Disclaimer

This material is based upon work supported by the Army Contracting and
DARPA under contract No. W911NF-15-C-0005.  Any opinions, findings and
conclusions or recommendations expressed in this material are those of
the author(s) and do not necessarily reflect the views of the Army
Contracting Command and DARPA.