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
- AutoGPT+P: Affordance-based Task Planning with Large Language Models [7.48202550092962]
AutoGPT+Pは、余裕に基づくシーン表現と計画システムを組み合わせたシステムである。
提案手法は,現在最先端のLCM計画手法であるSayCanの81%の成功率を超え,98%の成功率を達成した。
論文 参考訳(メタデータ) (2024-02-16T16:00:50Z) - 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) - Planning with Learned Object Importance in Large Problem Instances using
Graph Neural Networks [28.488201307961624]
現実の計画問題は、数百から数千ものオブジェクトを巻き込むことが多い。
単一推論パスにおけるオブジェクトの重要性を予測するためのグラフニューラルネットワークアーキテクチャを提案する。
提案手法では,プランナと遷移モデルをブラックボックスとして扱い,既製のプランナで使用することができる。
論文 参考訳(メタデータ) (2020-09-11T18:55:08Z) - 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。