論文の概要: Knowledge-Based Hierarchical POMDPs for Task Planning
- arxiv url: http://arxiv.org/abs/2103.10642v1
- Date: Fri, 19 Mar 2021 05:45:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:26:57.156948
- Title: Knowledge-Based Hierarchical POMDPs for Task Planning
- Title(参考訳): タスク計画のための知識ベース階層型pomdp
- Authors: Sergio A. Serrano, Elizabeth Santiago, Jose Martinez-Carranza, Eduardo
Morales, L. Enrique Sucar
- Abstract要約: タスクプランニングの主な目標は、エージェントを初期状態から目標状態へと移動させる一連のアクションを構築することです。
ロボット工学では、アクションは通常いくつかの可能な結果があり、センサーがエラーで測定を行う傾向があるため、これは特に困難です。
本稿では,情報のモジュール化と再利用を促進するロボットとその環境に関する知識を符号化する手法を提案する。
- 参考スコア(独自算出の注目度): 0.34998703934432684
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The main goal in task planning is to build a sequence of actions that takes
an agent from an initial state to a goal state. In robotics, this is
particularly difficult because actions usually have several possible results,
and sensors are prone to produce measurements with error. Partially observable
Markov decision processes (POMDPs) are commonly employed, thanks to their
capacity to model the uncertainty of actions that modify and monitor the state
of a system. However, since solving a POMDP is computationally expensive, their
usage becomes prohibitive for most robotic applications. In this paper, we
propose a task planning architecture for service robotics. In the context of
service robot design, we present a scheme to encode knowledge about the robot
and its environment, that promotes the modularity and reuse of information.
Also, we introduce a new recursive definition of a POMDP that enables our
architecture to autonomously build a hierarchy of POMDPs, so that it can be
used to generate and execute plans that solve the task at hand. Experimental
results show that, in comparison to baseline methods, by following a recursive
hierarchical approach the architecture is able to significantly reduce the
planning time, while maintaining (or even improving) the robustness under
several scenarios that vary in uncertainty and size.
- Abstract(参考訳): タスク計画の主な目標は、エージェントを初期状態から目標状態に導く一連のアクションを構築することです。
ロボット工学では、アクションは通常いくつかの可能性があり、センサーはエラーで測定する傾向があるため、これは特に難しい。
部分的に観測可能なマルコフ決定プロセス(POMDP)は、システムの状態を変更・監視するアクションの不確実性をモデル化する能力のため、一般的に使用される。
しかし、POMDPの解法は計算コストがかかるため、ほとんどのロボットアプリケーションでは使用が禁止される。
本稿では,サービスロボティクスのためのタスク計画アーキテクチャを提案する。
サービスロボット設計においては,ロボットとその環境に関する知識を符号化し,情報のモジュール化と再利用を促進する手法を提案する。
また,新しい再帰的なPOMDPの定義を導入することで,アーキテクチャがPOMDPの階層を自律的に構築し,手作業で解決する計画の生成と実行を可能にする。
実験結果から,再帰的階層的アプローチに従えば,基本手法と比較して,アーキテクチャは,不確実性や大きさの異なるいくつかのシナリオ下で頑健性を維持する(あるいは改善する)一方で,計画時間を大幅に短縮できることがわかった。
関連論文リスト
- Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳(メタデータ) (2024-02-29T15:36:01Z) - Safe Task Planning for Language-Instructed Multi-Robot Systems using
Conformal Prediction [13.053013407015628]
ミッション成功率の高い分散型マルチロボットプランナを新たに導入する。
これは、分布のない不確実性定量化ツールである共形予測(CP)をブラックボックスモデルで活用することで達成される。
理論的にも経験的にも,提案したプランナは,ヘルプリクエストの総数を最小限に抑えながら,ユーザ特定タスクの成功率を達成可能であることを示す。
論文 参考訳(メタデータ) (2024-02-23T15:02:44Z) - Automated Process Planning Based on a Semantic Capability Model and SMT [50.76251195257306]
製造システムと自律ロボットの研究において、機械で解釈可能なシステム機能の仕様に「能力」という用語が用いられる。
セマンティック能力モデルから始めて、AI計画問題を自動的に生成するアプローチを提案する。
論文 参考訳(メタデータ) (2023-12-14T10:37:34Z) - Learning adaptive planning representations with natural language
guidance [90.24449752926866]
本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。
Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
論文 参考訳(メタデータ) (2023-12-13T23:35:31Z) - Interactive Planning Using Large Language Models for Partially
Observable Robotics Tasks [54.60571399091711]
大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。
LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
論文 参考訳(メタデータ) (2023-12-11T22:54:44Z) - Robot Task Planning Based on Large Language Model Representing Knowledge
with Directed Graph Structures [2.3698227130544547]
本研究では,人間の専門知識をLLMと組み合わせたタスクプランニング手法を提案し,LLMプロンプトテンプレートであるThink_Net_Promptを設計した。
さらに,タスクを段階的に分解し,タスクツリーを生成して各タスクの計画量を削減する手法を提案する。
論文 参考訳(メタデータ) (2023-06-08T13:10:00Z) - Learning to Reason over Scene Graphs: A Case Study of Finetuning GPT-2
into a Robot Language Model for Grounded Task Planning [45.51792981370957]
本研究では,ロボットタスク計画における小クラス大規模言語モデル(LLM)の適用性について,計画立案者が順次実行するためのサブゴール仕様にタスクを分解することを学ぶことによって検討する。
本手法は,シーングラフとして表現される領域上でのLLMの入力に基づいて,人間の要求を実行可能なロボット計画に変換する。
本研究は,LLMに格納された知識を長期タスクプランニングに効果的に活用できることを示唆し,ロボット工学におけるニューロシンボリックプランニング手法の今後の可能性を示すものである。
論文 参考訳(メタデータ) (2023-05-12T18:14:32Z) - ProgPrompt: Generating Situated Robot Task Plans using Large Language
Models [68.57918965060787]
大規模言語モデル(LLM)は、タスク計画中の潜在的な次のアクションを評価するために使用することができる。
本稿では, プログラム型LCMプロンプト構造を用いて, 配置環境間での計画生成機能を実現する。
論文 参考訳(メタデータ) (2022-09-22T20:29:49Z) - Partially Observable Markov Decision Processes in Robotics: A Survey [23.286897050793435]
この調査は,POMDPモデルとアルゴリズムの一方の端のギャップを埋めることと,他方の多様なロボット決定タスクに適用することを目的としている。
実践者にとって、この調査は、ロボットタスクにPOMDPをいつ、どのように適用するかを決定する上で重要なタスクの特徴をいくつか提供する。
POMDPアルゴリズム設計者にとって、この調査は、POMDPをロボットシステムに適用する際のユニークな課題に関する新たな洞察を提供する。
論文 参考訳(メタデータ) (2022-09-21T13:24:20Z) - Procedures as Programs: Hierarchical Control of Situated Agents through
Natural Language [81.73820295186727]
エージェント命令と制御のための階層的な手続き的知識を表現する強力な手法である,プログラムとしての手続きの形式化を提案する。
NL命令に対するIQAおよびALFREDデータセット上で、このフレームワークをインスタンス化する。
論文 参考訳(メタデータ) (2021-09-16T20:36:21Z) - iCORPP: Interleaved Commonsense Reasoning and Probabilistic Planning on
Robots [46.13039152809055]
我々はiCORPPと呼ばれる新しいアルゴリズムを提案し、現在の世界状態を同時に推定し、世界ダイナミクスの推論を行い、タスク指向のコントローラを構築する。
結果は、競合するベースラインと比較して、スケーラビリティ、効率、適応性が大幅に改善されたことを示している。
論文 参考訳(メタデータ) (2020-04-18T17:46:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。