Fugu-MT 論文翻訳(概要): Interactive Learning from Natural Language and Demonstrations using Signal Temporal Logic

論文の概要: Interactive Learning from Natural Language and Demonstrations using Signal Temporal Logic

arxiv url: http://arxiv.org/abs/2207.00627v1
Date: Fri, 1 Jul 2022 19:08:43 GMT
ステータス: 処理完了
システム内更新日: 2022-07-09 14:09:47.679875
Title: Interactive Learning from Natural Language and Demonstrations using Signal Temporal Logic
Title（参考訳）: 信号時間論理を用いた自然言語からの対話学習と実証
Authors: Sara Mohammadinejad, Jesse Thomason, Jyotirmoy V. Deshmukh
Abstract要約: 自然言語(NL)は曖昧で、現実世界のタスクであり、それらの安全性要件はあいまいにコミュニケーションする必要がある。 Signal Temporal Logic (STL) は、ロボットタスクを記述するための汎用的で表現力があり、曖昧な形式言語として機能する形式論理である。 DIALOGUESTLは,(しばしば)曖昧なNL記述から正確かつ簡潔なSTL公式を学習するための対話的手法である。
参考スコア（独自算出の注目度）: 5.88797764615148
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Natural language is an intuitive way for humans to communicate tasks to a robot. While natural language (NL) is ambiguous, real world tasks and their safety requirements need to be communicated unambiguously. Signal Temporal Logic (STL) is a formal logic that can serve as a versatile, expressive, and unambiguous formal language to describe robotic tasks. On one hand, existing work in using STL for the robotics domain typically requires end-users to express task specifications in STL, a challenge for non-expert users. On the other, translating from NL to STL specifications is currently restricted to specific fragments. In this work, we propose DIALOGUESTL, an interactive approach for learning correct and concise STL formulas from (often) ambiguous NL descriptions. We use a combination of semantic parsing, pre-trained transformer-based language models, and user-in-the-loop clarifications aided by a small number of user demonstrations to predict the best STL formula to encode NL task descriptions. An advantage of mapping NL to STL is that there has been considerable recent work on the use of reinforcement learning (RL) to identify control policies for robots. We show we can use Deep Q-Learning techniques to learn optimal policies from the learned STL specifications. We demonstrate that DIALOGUESTL is efficient, scalable, and robust, and has high accuracy in predicting the correct STL formula with a few number of demonstrations and a few interactions with an oracle user.
Abstract（参考訳）: 自然言語は、人間がロボットにタスクを伝えるための直感的な方法です。自然言語(NL)は曖昧であるが、現実のタスクとその安全性要件はあいまいにコミュニケーションする必要がある。 Signal Temporal Logic (STL) は、ロボットタスクを記述するための汎用的で表現力があり曖昧な形式言語として機能する形式論理である。一方、ロボット分野においてSTLを使用する既存の作業は、通常、エンドユーザがSTLでタスク仕様を表現する必要がある。一方、NLからSTL仕様への変換は現在、特定のフラグメントに限定されている。本稿では,(しばしば)曖昧なnl記述からstl公式を正しく簡潔に学習するための対話的アプローチであるinterlogstlを提案する。我々は,意味解析,事前学習されたトランスフォーマーベース言語モデル,および少数のユーザによるループの明確化の組み合わせを用いて,NLタスク記述を符号化するための最高のSTL式を予測する。 nlをstlにマッピングする利点は、ロボットの制御ポリシーを特定するために強化学習(rl)を使用するという最近の研究がかなり行われていることである。学習したstl仕様から最適な方針を学習するために,深いq学習技術が利用できることを示す。我々は,DIALOGUESTLが効率的でスケーラブルで堅牢であり,数回のデモンストレーションと数回のオラクルユーザとの対話で正しいSTL式を予測する精度が高いことを実証した。

関連論文リスト

CoT-TL: Low-Resource Temporal Knowledge Representation of Planning Instructions Using Chain-of-Thought Reasoning [0.0]
CoT-TLは、自然言語仕様を表現に変換するためのデータ効率のよいインコンテキスト学習フレームワークである。 CoT-TLは、ローデータシナリオで3つの多様なデータセット間で最先端の精度を達成する。
論文参考訳（メタデータ） (2024-10-21T17:10:43Z)
Large Language Models are Interpretable Learners [53.56735770834617]
本稿では,Large Language Models(LLM)とシンボルプログラムの組み合わせによって,表現性と解釈可能性のギャップを埋めることができることを示す。自然言語プロンプトを持つ事前訓練されたLLMは、生の入力を自然言語の概念に変換することができる解釈可能な膨大なモジュールセットを提供する。 LSPが学んだ知識は自然言語の記述と記号規則の組み合わせであり、人間(解釈可能)や他のLLMに容易に転送できる。
論文参考訳（メタデータ） (2024-06-25T02:18:15Z)
Natural Language as Policies: Reasoning for Coordinate-Level Embodied Control with LLMs [7.746160514029531]
ロボットのタスク計画問題に対処するLLMによる実験結果を示す。提案手法はタスクとシーンオブジェクトのテキスト記述を取得し,自然言語推論によるタスクプランニングを定式化する。提案手法はマルチモーダル・プロンプト・シミュレーション・ベンチマークを用いて評価する。
論文参考訳（メタデータ） (2024-03-20T17:58:12Z)
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)
Eliciting Human Preferences with Language Models [56.68637202313052]
言語モデル(LM)は、ラベル付き例や自然言語のプロンプトを使用してターゲットタスクを実行するように指示することができる。タスク仕様プロセスのガイドには*LM自身を使うことを提案します。我々は、メール検証、コンテンツレコメンデーション、道徳的推論の3つの領域でGATEを研究している。
論文参考訳（メタデータ） (2023-10-17T21:11:21Z)
On Conditional and Compositional Language Model Differentiable Prompting [75.76546041094436]
プロンプトは、下流タスクでうまく機能するために、凍結した事前訓練言語モデル(PLM)を適応するための効果的な方法であることが示されている。タスク命令や入力メタデータを連続的なプロンプトに変換することを学習する新しいモデル Prompt Production System (PRopS) を提案する。
論文参考訳（メタデータ） (2023-07-04T02:47:42Z)
Data-Efficient Learning of Natural Language to Linear Temporal Logic Translators for Robot Task Specification [6.091096843566857]
本稿では、自然言語コマンドから、人間ラベルの訓練データに制限のある仕様への変換を学習ベースで行う手法を提案する。これは、人間のラベル付きデータセットを必要とする既存の自然言語から翻訳者への変換とは対照的である。自然言語コマンドを75%の精度で翻訳できることを示す。
論文参考訳（メタデータ） (2023-03-09T00:09:58Z)
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)
Neuro-Symbolic Causal Language Planning with Commonsense Prompting [67.06667162430118]
言語プランニングは、より単純な低レベルステップに分解することで、複雑な高レベルな目標を実装することを目的としている。以前の手法では、大規模な言語モデルからそのような能力を得るために、手動の例えか注釈付きプログラムが必要である。本稿では,LLMからの手続き的知識をコモンセンス・インフュージョン・プロンプトにより引き起こすニューロシンボリック因果言語プランナー(CLAP)を提案する。
論文参考訳（メタデータ） (2022-06-06T22:09:52Z)
Generalizing to New Domains by Mapping Natural Language to Lifted LTL [20.58567011476273]
本稿では、ひとつの肯定的なタスク仕様例から学習可能な、中間的コンテキストクエリ表現を提案する。我々は、自然言語を翻訳できる最先端のCopyNetモデルと比較する。シミュレーションされたOO-MDP環境において,提案手法の出力を計画に利用できることを実証した。
論文参考訳（メタデータ） (2021-10-11T20:49:26Z)
Backpropagation through Signal Temporal Logic Specifications: Infusing Logical Structure into Gradient-Based Methods [28.72161643908351]
本稿では,STLCG(Signal Temporal Logic)公式の定量的意味を計算グラフを用いて計算する手法を提案する。 STLは、連続系とハイブリッド系の両方で生成される信号の空間的および時間的特性を指定できる、強力で表現力のある形式言語である。
論文参考訳（メタデータ） (2020-07-31T22:01:39Z)

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。