日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

タスク計画arXiv:2511.18203

SkillWrapper: タスクレベルロボット計画のための生成的述語発明

SkillWrapper: Generative Predicate Invention for Task-level Robot Planning

シェア:XThreadsFacebookLINEはてブBluesky

基盤モデルを活用してRGB画像から人間に解釈可能な記号表現を学習し、未見の長期的タスクを計画・実行できる手法を提案。

詳しい要約

1. どんなもの?

- 長期的タスク計画のための、ロボットスキルの高レベル記号表現を学習する手法 - 低レベル状態空間から独立した抽象推論を可能にする - 生のRGB画像観測のみを用いる - 基盤モデル(foundation models)を活用し、記号的predicateを生成する - これを generative predicate invention と呼ぶ - 提案手法 SkillWrapper は、健全(sound)かつ完全(complete)な計画が保証される記号モデルを学習する - シミュレーションと実機で評価

2. 先行研究と比べてどこがすごい?

- 従来の generative predicate invention は heuristic または ad-hoc な手続きで抽象化を学習 - どの形式的性質を満たすべきか、どう保証するかを無視していた - 本研究は generative predicate invention の形式的理論を提示 - 健全性・完全性を保証する計画のための形式的性質を扱う - 人間に解釈可能で計画可能な表現を、RGB画像のみから学習 - 未見の長期的タスクに対して black-box スキルを組み合わせ可能

3. 技術・手法の肝は?

- generative predicate invention の形式的理論を構築 - 健全かつ完全な計画を保証する記号モデルの学習を定式化 - SkillWrapper は foundation models を活用してロボットデータを能動的に収集 - RGB画像観測のみから、人間に解釈可能で計画可能な抽象表現を学習 - 学習した抽象表現により black-box スキルを組み合わせて長期タスクを解決 - 詳細なアルゴリズムは要旨からは不明

4. どうやって有効だと検証した?

- シミュレーションおよび実機ロボットでの広範な実証評価を実施 - 学習した抽象表現が、実世界で未見の長期的タスクを black-box スキルの組み合わせで解決できることを示した - 具体的なタスク・指標・比較手法は要旨からは不明

5. 議論はある?

- 形式的性質(健全性・完全性)の保証と、foundation models による predicate 生成の統合が議論の中心 - 学習される表現の人間解釈性と計画可能性 - 限界・失敗事例・計算コストなどの詳細は要旨からは不明

6. 次に読むべき論文は?

- generative predicate invention の先行研究(heuristic/ad-hoc な抽象化学習) - foundation models を用いた記号的predicate生成に関する研究 - 記号的タスク計画(symbolic task planning)や option/skill abstraction の古典的手法 - 詳細な参照論文は要旨からは不明

※ 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: Ziyi Yang, Benned Hedegaard, Ahmed Jaafar, Yichen Wei, Skye Thompson, Shreyas S. Raman, Haotian Fu, Stefanie Tellex, George Konidaris, David Paulius, Naman Shah

分類: cs.RO

原文アブストラクト

Generalizing from individual skill executions to long-horizon tasks is a core challenge in building autonomous robots. A promising direction is learning high-level, symbolic representations of low-level robot skills, enabling abstract reasoning independent of the low-level state space. Recent advances in foundation models have made it possible to generate symbolic predicates that operate on raw sensory inputs-a process we call generative predicate invention-to facilitate downstream representation learning. However, prior work learns these abstractions using heuristic or ad-hoc procedures, ignoring the question of which formal properties they ought to satisfy, and how to guarantee these properties. We address these questions by presenting a formal theory of generative predicate invention for task-level planning, and proposing SkillWrapper, a method that learns symbolic models for provably sound and complete planning. Our approach leverages foundation models to actively collect robot data and learn human-interpretable, plannable representations, using only RGB image observations. Our extensive empirical evaluation in simulation and on real robots shows that SkillWrapper learns abstract representations that enable robots to compose black-box skills to solve unseen, long-horizon tasks in the real world.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI