日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

計画arXiv:2603.08599

相互作用データから学習した記号的抽象化を用いた二段階計画法

Bilevel Planning with Learned Symbolic Abstractions from Interaction Data

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの探索データから学習した確率的記号規則で候補計画を高速生成し、連続効果モデルで検証・補完する二段階のニューロシンボリック計画フレームワークを提案した。

詳しい要約

1. どんなもの?

- 複雑な環境で計画を生成するためのbilevel neuro-symbolic frameworkを提案。 - 高レベルでは学習されたprobabilistic symbolic rulesが候補計画を迅速に生成。 - 低レベルでは学習されたcontinuous effect modelsが計画を検証し、必要に応じてforward searchを実行。 - 多物体manipulationタスクで評価。

2. 先行研究と比べてどこがすごい?

- 従来のsymbolic abstractionsはneural effect predictorsから創発するが、deterministic symbolic domainsに依存。 - 生成されたsymbolic plansを検証するメカニズムが欠如。 - 抽象レベルでのみ動作し、環境のcontinuous dynamicsを捉えられないことが多い。 - 提案手法はprobabilistic symbolic rulesとcontinuous effect modelsを組み合わせ、検証とforward searchを可能にした。

3. 技術・手法の肝は?

- bilevel neuro-symbolic frameworkを採用。 - 高レベル:学習されたprobabilistic symbolic rulesが候補計画を高速生成。 - 低レベル:学習されたcontinuous effect modelsが計画を検証し、必要時にforward searchを実行。 - これにより効率的なsymbolic reasoningとcontinuous dynamicsの捕捉を両立。

4. どうやって有効だと検証した?

- 多物体manipulationタスクで実験。 - 提案手法はsymbolic-only approachesを上回る性能を示した。 - 検証を通じて失敗計画を確実に特定。 - 計画性能はcontinuous forward searchと統計的に同等でありながら、ほとんどの問題を効率的なsymbolic reasoningで解決。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:neural effect predictors trained with unsupervised exploration、symbolic-only approaches、continuous forward search。 - 関連手法:bilevel planning、neuro-symbolic planning。

※ 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: Fatih Dogangun, Burcu Kilic, Serdar Bahar, Emre Ugur

分類: cs.RO

原文アブストラクト

Intelligent agents must reason over both continuous dynamics and discrete representations to generate effective plans in complex environments. Previous studies have shown that symbolic abstractions can emerge from neural effect predictors trained with a robot's unsupervised exploration. However, these methods rely on deterministic symbolic domains, lack mechanisms to verify the generated symbolic plans, and operate only at the abstract level, often failing to capture the continuous dynamics of the environment. To overcome these limitations, we propose a bilevel neuro-symbolic framework in which learned probabilistic symbolic rules generate candidate plans rapidly at the high level, and learned continuous effect models verify these plans and perform forward search when necessary at the low level. Our experiments on multi-object manipulation tasks demonstrate that the proposed bilevel method outperforms symbolic-only approaches, reliably identifying failing plans through verification, and achieves planning performance statistically comparable to continuous forward search while resolving most problems via efficient symbolic reasoning.

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. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI