論文の概要: Task planning and explanation with virtual actions

• arxiv url: http://arxiv.org/abs/2201.03199v1
• Date: Mon, 10 Jan 2022 07:50:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:46:46.578821
• Title: Task planning and explanation with virtual actions
• Title（参考訳）: 仮想行動によるタスク計画と説明
• Authors: Guowei Cui and Xiaoping Chen
• Abstract要約: それぞれの頂点は互換性のあるテクスト状態の集合を表し、それぞれのエッジはテクスト分割を表す。 本稿では,グラフを接続するアクションモデルを拡張するために仮想アクションを導入する方法について述べる。
• 参考スコア（独自算出の注目度）: 6.013380982785486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the challenges of task planning is to find out what causes the planning failure and how to handle the failure intelligently. This paper shows how to achieve this. The idea is inspired by the connected graph: each verticle represents a set of compatible \textit{states}, and each edge represents an \textit{action}. For any given initial states and goals, we construct virtual actions to ensure that we always get a plan via task planning. This paper shows how to introduce virtual action to extend action models to make the graph to be connected: i) explicitly defines static predicate (type, permanent properties, etc) or dynamic predicate (state); ii) constructs a full virtual action or a semi-virtual action for each state; iii) finds the cause of the planning failure through a progressive planning approach. The implementation was evaluated in three typical scenarios.
• Abstract（参考訳）: タスク計画の課題のひとつは、計画の失敗の原因と障害をインテリジェントに処理する方法を見つけることです。 本稿では,これを実現する方法を示す。 それぞれの頂点は互換な \textit{states} の集合を表し、それぞれの辺は \textit{action} を表す。 任意の初期状態と目標に対して、私たちは、タスクプランニングを通じて常に計画が得られるように、仮想アクションを構築します。 本稿では、グラフを接続するためにアクションモデルを拡張する仮想アクションを導入する方法を示す。 i) 静的述語(型,永続性等)又は動的述語(状態)を明示的に定義する。 二 状態ごとに完全な仮想行動又は準仮想行動を構築すること。 三 プログレッシブ・プランニングのアプローチにより、計画の失敗の原因を見つけること。 実装は3つの典型的なシナリオで評価された。

関連論文リスト

• VeriGraph: Scene Graphs for Execution Verifiable Robot Planning [33.8868315479384]
  本稿では,ロボット計画のための視覚言語モデル(VLM)を統合するフレームワークであるVeriGraphを提案する。 VeriGraphはシーングラフを中間表現として使用し、キーオブジェクトと空間関係をキャプチャして、計画検証と改善を改善する。 提案手法は,多様な操作シナリオにおけるタスク完了率を大幅に向上させ,言語ベースタスクでは58%,画像ベースタスクでは30%,ベースラインメソッドでは58%向上させる。
  論文  参考訳（メタデータ） (2024-11-15T18:59:51Z)
• ActPlan-1K: Benchmarking the Procedural Planning Ability of Visual Language Models in Household Activities [42.17465719784928]
  ActPlan-1KはChatGPTと家庭用アクティビティシミュレータiGibson2に基づいて構築されたマルチモーダル計画ベンチマークである。 現在のVLMは、正常な活動と反現実的な活動の両方のために、人間レベルの手続き的な計画を作成するのに苦戦していることが判明した。
  論文  参考訳（メタデータ） (2024-10-04T20:21:40Z)
• Task and Motion Planning for Execution in the Real [24.01204729304763]
  この作業は、作業を含むタスクと動作の計画を生成するが、計画時には完全には理解できない。 実行は、タスク目標に到達するまでオフラインで計画された動きとオンライン行動を組み合わせる。 提案したフレームワークを評価するために,40の実ロボット試験とモチベーション実証を行った。 その結果、実行時間が短縮され、アクションの数が少なくなり、さまざまなギャップが生じる問題の成功率が向上した。
  論文  参考訳（メタデータ） (2024-06-05T22:30:40Z)
• Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints [56.283944756315066]
  本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。 我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
  論文  参考訳（メタデータ） (2023-12-29T14:00:20Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Skip-Plan: Procedure Planning in Instructional Videos via Condensed Action Space Learning [85.84504287685884]
  Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。 アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。 我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
  論文  参考訳（メタデータ） (2023-10-01T08:02:33Z)
• Generating Executable Action Plans with Environmentally-Aware Language Models [4.162663632560141]
  大量のテキストデータセットを使用してトレーニングされた大規模言語モデル(LLM)は、最近、ロボットエージェントのアクションプランを生成することを約束している。 本稿では,環境に配慮したアクションプラン作成手法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T18:56:57Z)
• Sequential Manipulation Planning on Scene Graph [90.28117916077073]
  我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。 ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。 次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
  論文  参考訳（メタデータ） (2022-07-10T02:01:33Z)
• Enabling Visual Action Planning for Object Manipulation through Latent Space Roadmap [72.01609575400498]
  高次元状態空間を有する複雑な操作タスクの視覚的行動計画のための枠組みを提案する。 低次元潜時空間におけるシステムダイナミクスを世界規模で捉えたグラフベースの構造であるタスク計画のためのLatent Space Roadmap(LSR)を提案する。 実ロボットで実行された2つの模擬ボックス積み重ねタスクと折り畳みタスクについて,本フレームワークの徹底的な検討を行う。
  論文  参考訳（メタデータ） (2021-03-03T17:48:26Z)
• STRIPS Action Discovery [67.73368413278631]
  近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。 アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-30T17:08:39Z)

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。