ニューロシンボリック計画2025/5/1arXiv:2505.08492

軽量ローカルLLMを用いたニューロシンボリック計画によるスケーラブルなロボット自律性の実現

Achieving Scalable Robot Autonomy via neurosymbolic planning using lightweight local LLM

軽量なローカルLLMとニューロシンボリック計画を組み合わせ、オンデバイスで動作するロボットタスク計画フレームワークGideonを提案。単一領域で66.1%、複数領域で70.6%の有効計画率を達成。

詳しい要約

1. どんなもの？

- PDDL-based symbolic task planning の課題（scalability、re-planning、plan 遅延）に対し、neurosymbolic planning を lightweight な local LLM で実現するフレームワーク Gideon を提案 - 閉源・remote な GPT-3 依存の制約（third-party dependency、応答時間の不安定さ、plan 長・複雑さの制限、multi-domain scalability）を解消することを狙う - 任意ドメイン向けに domain-problem-plan tuple の大規模データセットを系統生成する novel problem generator を統合 - local LLM 向けに neurosymbolic planning を適応し、on-device 実行と extended context による multi-domain 対応を可能にする

2. 先行研究と比べてどこがすごい？

- 先行の neurosymbolic 枠組みは GPT-3 など閉源・remote の LLM に依存し、context 長が限られていた - Gideon は modern で smaller な local LLM と extended context length へ移行する点が新規 - 第三者依存の解消、応答時間の一貫性、plan 長・複雑さの制約緩和、multi-domain scalability の改善を狙う - 学習効率は大規模 LLM baseline より劣るが、モデルサイズ約 120x 小さいことを考慮すると有意 - 推論効率・scalability・multi-domain 適応性で優位性が期待できると主張

3. 技術・手法の肝は？

- novel problem generator により任意ドメインの現実的な domain-problem-plan tuple を大規模に系統生成 - neurosymbolic planning を local LLM 向けに適応し、on-device 実行と extended context を活用 - 単一ドメイン実験では Qwen-2.5 1.5B を 8k–32k サンプルで学習 - multi-domain 実験では 16k サンプルで学習 - データ生成パイプラインの効率化により学習非効率を緩和できると述べる

4. どうやって有効だと検証した？

- 単一ドメイン：Qwen-2.5 1.5B を 8k–32k サンプルで学習し、valid plan percentage 66.1%（32k model）を確認 - 追加データで更にスケール可能なことを示唆 - multi-domain：16k サンプルで planning validity rate 70.6% と、単一ドメインより高い値を確認 - データ多様性が学習効率に正の効果を与え得ることを示す - 具体的なベースライン比較の詳細は要旨からは不明

5. 議論はある？

- long-horizon planning と reduced model size により、Gideon の学習は大規模 LLM baseline より大幅に非効率 - ただしモデルは baseline より約 120x 小さく、推論効率・scalability・multi-domain 適応性で利点 - これらの要素は human-robot collaboration で重要と位置づける - 学習非効率は Gideon の streamlined なデータ生成パイプラインで緩和可能と主張 - 具体的な限界や失敗事例の詳細は要旨からは不明

6. 次に読むべき論文は？

- 要旨で比較対象として言及される GPT-3 を用いた先行 neurosymbolic frameworks - PDDL-based symbolic task planning の関連研究 - 実験で用いられた Qwen-2.5 1.5B - 大規模 LLM を baseline とする比較研究 - 同分野の定番として LLM-based task planning / neurosymbolic planning の関連論文

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Nicholas Attolino, Alessio Capitanelli, Fulvio Mastrogiovanni

分類: cs.AI, cs.LG, cs.RO

原文アブストラクト

PDDL-based symbolic task planning remains pivotal for robot autonomy yet struggles with dynamic human-robot collaboration due to scalability, re-planning demands, and delayed plan availability. Although a few neurosymbolic frameworks have previously leveraged LLMs such as GPT-3 to address these challenges, reliance on closed-source, remote models with limited context introduced critical constraints: third-party dependency, inconsistent response times, restricted plan length and complexity, and multi-domain scalability issues. We present Gideon, a novel framework that enables the transition to modern, smaller, local LLMs with extended context length. Gideon integrates a novel problem generator to systematically generate large-scale datasets of realistic domain-problem-plan tuples for any domain, and adapts neurosymbolic planning for local LLMs, enabling on-device execution and extended context for multi-domain support. Preliminary experiments in single-domain scenarios performed on Qwen-2.5 1.5B and trained on 8k-32k samples, demonstrate a valid plan percentage of 66.1% (32k model) and show that the figure can be further scaled through additional data. Multi-domain tests on 16k samples yield an even higher 70.6% planning validity rate, proving extensibility across domains and signaling that data variety can have a positive effect on learning efficiency. Although long-horizon planning and reduced model size make Gideon training much less efficient than baseline models based on larger LLMs, the results are still significant considering that the trained model is about 120x smaller than baseline and that significant advantages can be achieved in inference efficiency, scalability, and multi-domain adaptability, all critical factors in human-robot collaboration. Training inefficiency can be mitigated by Gideon's streamlined data generation pipeline.

arXivで原文を読む →arXiv概要ページ

← 論文一覧