記号的世界モデル2025/12/1arXiv:2512.17992

深層述語発見と事前学習済み基盤モデルの統合

Unifying Deep Predicate Invention with Pre-trained Foundation Models

LLMが提案する述語効果分布と低レベルデータからのニューラル述語学習を相互に洗練させる二層学習フレームワークUniPredを提案し、ロボットの長期タスクにおける記号的世界モデル構築を効率化した。

詳しい要約

1. どんなもの？

- 長期的なロボットタスクを対象に、記号的世界モデルを構築する手法 UniPred を提案する研究。 - 連続的な state-action 空間と疎な feedback が問題となる long-horizon タスクを扱う。 - 物体の性質や関係を表す離散的な predicate にタスクを分解する。 - LLM によるトップダウンの predicate 提案と、データからのボトムアップ学習を統合する bilevel learning framework。 - 視覚 foundation model の特徴を活用し、cluttered な scene でも頑健な predicate classifier を学習する。 - STRIPS の仮定を超える symbolic model を支える predicate 評価法も提案する。

2. 先行研究と比べてどこがすごい？

- 既存手法は predicate を二方向に分けて学習していた。 - top-down: foundation model を prompting するが data grounding がない。 - bottom-up: demonstration から学ぶが高次の prior がない。 - UniPred はこの両者を bilevel learning で統合する点が新しい。 - 実験では top-down 手法より 2-4 倍高い success rate、bottom-up 手法より 3-4 倍速い学習を達成。 - 視覚 foundation model の特徴により cluttered な scene でも頑健な predicate classifier を実現。

3. 技術・手法の肝は？

- bilevel learning framework で LLM と低レベルデータ学習を相互に結びつける。 - LLM が predicate effect distribution を提案し、それが低レベルデータからの neural predicate learning を監督する。 - 学習された feedback が LLM の hypothesis を反復的に洗練する。 - 強い visual foundation model の特徴を利用して predicate classifier を学習する。 - STRIPS の仮定を超える symbolic model を支える predicate 評価法を提案する。

4. どうやって有効だと検証した？

- 5 つの simulated domain と 1 つの real-robot domain で評価。 - top-down 手法と比較して 2-4 倍高い success rate を達成。 - bottom-up 手法と比較して 3-4 倍速い学習を達成。 - 詳細な実験設定や baseline 名は要旨からは不明。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗ケース、LLM 依存性、real-robot での汎化性についての議論は要旨に記載がない。

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 top-down 手法（foundation model を prompting する predicate 学習）と bottom-up 手法（demonstration からの predicate 学習）。 - 関連する定番として STRIPS ベースの symbolic planning や predicate invention の研究。 - 具体的な論文名は要旨からは不明。

※ 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: Qianwei Wang, Bowen Li, Zhanpeng Luo, Yifan Xu, Alexander Gray, Tom Silver, Sebastian Scherer, Katia Sycara, Yaqi Xie

分類: cs.RO

原文アブストラクト

Long-horizon robotic tasks are hard due to continuous state-action spaces and sparse feedback. Symbolic world models help by decomposing tasks into discrete predicates that capture object properties and relations. Existing methods learn predicates either top-down, by prompting foundation models without data grounding, or bottom-up, from demonstrations without high-level priors. We introduce UniPred, a bilevel learning framework that unifies both. UniPred uses large language models (LLMs) to propose predicate effect distributions that supervise neural predicate learning from low-level data, while learned feedback iteratively refines the LLM hypotheses. Leveraging strong visual foundation model features, UniPred learns robust predicate classifiers in cluttered scenes. We further propose a predicate evaluation method that supports symbolic models beyond STRIPS assumptions. Across five simulated and one real-robot domains, UniPred achieves 2-4 times higher success rates than top-down methods and 3-4 times faster learning than bottom-up approaches, advancing scalable and flexible symbolic world modeling for robotics.

arXivで原文を読む →arXiv概要ページ

← 論文一覧