VQ-CNMP: Neuro-Symbolic Skill Learning for Bi-Level Planning

要約

この論文では、ラベルのないデモンストレーション データから高レベルのスキル表現を発見できる新しいニューラル ネットワーク モデルを提案します。
また、勾配ベースの計画アプローチを使用してモデルを利用する 2 レベルの計画パイプラインも提案します。
このモデルは高レベルの表現を抽出する一方で、低レベルのアクション計画に使用できる低レベルの情報も保存します。
実験では、さまざまな条件下でモデルのスキル発見パフォーマンスをテストし、マルチモーダル LLM を利用して学習された高レベルのスキル表現にラベルを付けることができるかどうかをテストし、最後にモデルの高レベルおよび低レベルの計画パフォーマンスをテストしました。
私たちのパイプライン。

要約(オリジナル)

This paper proposes a novel neural network model capable of discovering high-level skill representations from unlabeled demonstration data. We also propose a bi-level planning pipeline that utilizes our model using a gradient-based planning approach. While extracting high-level representations, our model also preserves the low-level information, which can be used for low-level action planning. In the experiments, we tested the skill discovery performance of our model under different conditions, tested whether Multi-Modal LLMs can be utilized to label the learned high-level skill representations, and finally tested the high-level and low-level planning performance of our pipeline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google