ニューロシンボリック緩和による高速タスクプランニング

- 大規模な物体集合と複雑な関係・属性をもつ実世界の long-horizon task planning を対象とした研究 - 古典的 symbolic planner の組合せ爆発を、neural network による重要物体予測で簡略化タスクを作り pruning する手法群の改良 - 簡略化タスクの誤り(重要物体の欠落・解不能タスクへの資源浪費)を補う NeSy relaxation strategy「Flax」を提案 - graph neural network による object importance 予測と symbolic expansion を組み合わせる - synthetic および real-world の maze navigation benchmark で評価

- 従来の NeSy 統合は簡略化タスクのみを symbolic planner で解くため、critical objects を落とす危険と unsolvable な簡略タスクへの浪費が課題 - Flax は rule-relaxed task の粗い計画から参照物体を再統合し、見落とされた必須要素を回復する点が新しい - complementary rules で更新タスクを精錬し、信頼性とコンパクトさを両立 - state-of-the-art の NeSy baseline 比で平均成功率 +20.82%、平均 wall-clock planning time -17.65% と報告

- まず graph neural network を学習し、object importance を予測して簡略化タスクを生成、symbolic planner で解く - 次に rule-relaxed task を解いて迅速な rough plan を得る - rough plan で参照された全物体を簡略化タスクへ reintegrate し、overlooked but essential な要素を回復 - 最後に complementary rules を適用して更新タスクを refine し、reliable かつ compact に保つ - neural importance prediction と symbolic expansion を組み合わせた relaxation strategy が肝

- synthetic と real-world の maze navigation benchmark で実験 - 設定は robot が maze を進み movable obstacles と相互作用するタスク - Flax は state-of-the-art NeSy baseline と比較して平均成功率を 20.82% 向上 - 平均 wall-clock planning time を 17.65% 削減したと報告

- 簡略化タスクが critical objects を欠くリスクと unsolvable 簡略タスクへの資源浪費を明示的な問題として議論 - rule relaxation と物体再統合により overlooked but essential な要素を回復する設計 - complementary rules による refine で reliability と compactness の両立を主張 - 限界や失敗ケースの詳細、スケーラビリティの理論的議論は要旨からは不明

- 比較対象である state-of-the-art の NeSy baseline(物体重要度予測で簡略化タスクを作る手法)の原論文 - graph neural network を用いた object importance prediction に関する研究 - symbolic planner と neural network を統合する neuro-symbolic task planning の関連研究 - rule relaxation や complementary rules を用いた planning 研究 - maze navigation と movable obstacles を扱う robot task planning benchmark の論文