From Reals to Logic and Back: Inventing Symbolic Vocabularies, Actions, and Models for Planning from Raw Data

要約

手作業で作成されたロジックベースの状態およびアクション表現は、タスクや動作の計画問題など、長期にわたるロボットの計画問題の手に負えない計算の複雑さを克服するために広く使用されています。
ただし、そのような表現を作成するには、ロボットと特定の設定で実行する必要があるタスクに関する強い直感と詳細な知識を備えた専門家が必要です。
この人間の直感への依存を取り除くことは、非常に活発な研究分野です。
この論文では、注釈のない高次元の実数値ロボットの軌道から開始して、抽象的な状態とアクションに対する一般化可能な論理ベースの関係表現を自律的に学習するための最初のアプローチを紹介します。
学習された表現は、自動発明された PDDL のようなドメイン モデルを構成します。
決定論的設定における経験的結果は、ほんの一握りのロボットの軌道から強力な抽象表現を学習できることを示しています。
学習された関係表現には、高レベルのアクションに関する古典的で直感的な概念が含まれますが、それを超えています。
そして、学習されたモデルにより、手動で抽象化することなく、以前は計画の範囲を超えていたタスクに計画アルゴリズムを拡張できるようになります。

要約(オリジナル)

Hand-crafted, logic-based state and action representations have been widely used to overcome the intractable computational complexity of long-horizon robot planning problems, including task and motion planning problems. However, creating such representations requires experts with strong intuitions and detailed knowledge about the robot and the tasks it may need to accomplish in a given setting. Removing this dependency on human intuition is a highly active research area. This paper presents the first approach for autonomously learning generalizable, logic-based relational representations for abstract states and actions starting from unannotated high-dimensional, real-valued robot trajectories. The learned representations constitute auto-invented PDDL-like domain models. Empirical results in deterministic settings show that powerful abstract representations can be learned from just a handful of robot trajectories; the learned relational representations include but go beyond classical, intuitive notions of high-level actions; and that the learned models allow planning algorithms to scale to tasks that were previously beyond the scope of planning without hand-crafted abstractions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google