ExoPredicator: ロボット計画のための動的環境の抽象モデル学習

- 長時間horizonのembodied planning向けに、agentの行動だけでなくexogenous processes（例：water heating、dominoes cascading）が並行して世界を変える状況を扱うabstract world modelのframework。 - 記号的なstate表現と、endogenous actionsおよびexogenous mechanisms双方のcausal processesを同時に学習する。 - 各causal processはstochasticなcause-effect関係の時間経過をモデル化する。

- 従来のplanningはagentの行動による変化を主に扱うが、本frameworkはexogenous mechanismsを明示的にcausal processとして学習する点が特徴。 - 限られたデータからvariational Bayesian inferenceとLLM proposalsを組み合わせてworld modelを学習する。 - 学習したmodelにより、より多くの物体や複雑なgoalを持つheld-outタスクへgeneralizeする高速planningを実現し、複数baselineを上回ると報告。

- 記号的なstate表現とcausal processes（endogenous actionsおよびexogenous mechanisms）をjointlyに学習するabstract world modelを提案。 - 各causal processはstochasticなcause-effect関係の時間経過を表現。 - 限られたデータからの学習にvariational Bayesian inferenceとLLM proposalsを組み合わせる。

- 5つのsimulated tabletop robotics environmentsで評価。 - 学習したmodelが高速planningを可能にし、より多くの物体・より複雑なgoalを持つheld-outタスクへgeneralizeすることを確認。 - 複数のbaselineと比較して優位であると報告。

- 要旨からは不明（限られたデータでの学習、generalization、baseline比較以外の限界や議論は記述されていない）。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法としてvariational Bayesian inference、LLM proposals、abstract world model、causal process modeling、long-horizon embodied planningの定番研究を挙げる。