Neuro-Symbolic Imitation Learning: Discovering Symbolic Abstractions for Skill Learning

要約

模倣学習は、ロボットに新しい行動を教えるための一般的な方法です。
ただし、ほとんどの既存の方法は、長いマルチステップのタスクではなく、短い孤立したスキルを教えることに焦点を当てています。
このギャップを埋めるために、模倣学習アルゴリズムは、個々のスキルを学習するだけでなく、これらのスキルをシーケンスして拡張タスクを効果的に実行する方法を抽象化する必要があります。
このペーパーでは、神経腫瘍模倣学習フレームワークを提案することにより、この課題に対処します。
タスクのデモンストレーションを使用して、システムはまず、低レベルの状態アクション空間を抽象化する象徴的な表現を学習します。
学習した表現は、タスクをより簡単なサブタスクに分解し、システムがシンボリック計画を活用して抽象的な計画を生成できるようにします。
その後、システムはこのタスク分解を利用して、抽象計画を実行可能なロボットコマンドに洗練できる一連のニューラルスキルを学習します。
3つのシミュレートされたロボット環境での実験結果は、ベースラインと比較して、ニューロシンボリックアプローチがデータ効率を高め、一般化能力を改善し、解釈可能性を促進することを示しています。

要約(オリジナル)

Imitation learning is a popular method for teaching robots new behaviors. However, most existing methods focus on teaching short, isolated skills rather than long, multi-step tasks. To bridge this gap, imitation learning algorithms must not only learn individual skills but also an abstract understanding of how to sequence these skills to perform extended tasks effectively. This paper addresses this challenge by proposing a neuro-symbolic imitation learning framework. Using task demonstrations, the system first learns a symbolic representation that abstracts the low-level state-action space. The learned representation decomposes a task into easier subtasks and allows the system to leverage symbolic planning to generate abstract plans. Subsequently, the system utilizes this task decomposition to learn a set of neural skills capable of refining abstract plans into actionable robot commands. Experimental results in three simulated robotic environments demonstrate that, compared to baselines, our neuro-symbolic approach increases data efficiency, improves generalization capabilities, and facilitates interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google