Imperative Learning: A Self-supervised Neuro-Symbolic Learning Framework for Robot Autonomy

要約

強化や模倣学習などのデータ駆動型の方法は、ロボットの自律性において顕著な成功を収めています。
しかし、彼らのデータ中心の性質は、依然として、それらをよく変化する環境への一般化から妨げています。
さらに、ロボットタスクのために大きなデータセットを収集することは、しばしば非現実的で高価です。
これらの課題を克服するために、ロボットの自律性のために、新しい自己監視ニューロシンボリック（NESY）計算フレームワーク、命令学習（IL）を紹介し、象徴的推論の一般化能力を活用します。
ILのフレームワークは、ニューラルモジュール、推論エンジン、およびメモリシステムの3つの主要なコンポーネントで構成されています。
3つのモジュールで相互学習を可能にする特別なBilevel Optimization（BLO）としてILを策定します。
これは、データ駆動型のアプローチに関連するラベル集約型の障害を克服し、論理的推論、物理的原則、幾何学的分析などに関する象徴的な推論を利用します。ILのいくつかの最適化手法を議論し、パスを含む5つの異なるロボット自治タスクの有効性を検証します。
計画、ルール誘導、最適な制御、視覚的臭気、およびマルチロボットルーティング。
さまざまな実験を通じて、ILはロボットの自律性能力を大幅に強化できることを示し、多様なドメイン全体のさらなる研究を触媒すると予想しています。

要約(オリジナル)

Data-driven methods such as reinforcement and imitation learning have achieved remarkable success in robot autonomy. However, their data-centric nature still hinders them from generalizing well to ever-changing environments. Moreover, collecting large datasets for robotic tasks is often impractical and expensive. To overcome these challenges, we introduce a new self-supervised neuro-symbolic (NeSy) computational framework, imperative learning (IL), for robot autonomy, leveraging the generalization abilities of symbolic reasoning. The framework of IL consists of three primary components: a neural module, a reasoning engine, and a memory system. We formulate IL as a special bilevel optimization (BLO), which enables reciprocal learning over the three modules. This overcomes the label-intensive obstacles associated with data-driven approaches and takes advantage of symbolic reasoning concerning logical reasoning, physical principles, geometric analysis, etc. We discuss several optimization techniques for IL and verify their effectiveness in five distinct robot autonomy tasks including path planning, rule induction, optimal control, visual odometry, and multi-robot routing. Through various experiments, we show that IL can significantly enhance robot autonomy capabilities and we anticipate that it will catalyze further research across diverse domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google