論文の概要: Efficient Behavior Tree Planning with Commonsense Pruning and Heuristic

• arxiv url: http://arxiv.org/abs/2406.00965v2
• Date: Tue, 4 Jun 2024 01:41:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 02:37:18.755984
• Title: Efficient Behavior Tree Planning with Commonsense Pruning and Heuristic
• Title（参考訳）: コモンセンスプルーニングとヒューリスティックを用いた効率的な行動木計画
• Authors: Xinglin Chen, Yishuai Cai, Yunxin Mao, Minglong Li, Zhou Yang, Wen Shanghua, Wenjing Yang, Weixia Xu, Ji Wang,
• Abstract要約: 行動木(BT)計画は自律的なロボット行動制御に不可欠であるが、複雑なシナリオにおけるその適用は長い計画時間によって妨げられる。 本稿では,Large Language Models (LLM) が提供するコモンセンス推論を利用した日常サービスロボットのBT計画の改善を提案する。 微調整なしでLCMの推論性能を向上させるために,学習可能かつ伝達可能なコモンセンスライブラリを導入する。
• 参考スコア（独自算出の注目度）: 5.560092034823088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavior Tree (BT) planning is crucial for autonomous robot behavior control, yet its application in complex scenarios is hampered by long planning times. Pruning and heuristics are common techniques to accelerate planning, but it is difficult to design general pruning strategies and heuristic functions for BT planning problems. This paper proposes improving BT planning efficiency for everyday service robots leveraging commonsense reasoning provided by Large Language Models (LLMs), leading to model-free pre-planning action space pruning and heuristic generation. This approach takes advantage of the modularity and interpretability of BT nodes, represented by predicate logic, to enable LLMs to predict the task-relevant action predicates and objects, and even the optimal path, without an explicit action model. We propose the Heuristic Optimal Behavior Tree Expansion Algorithm (HOBTEA) with two heuristic variants and provide a formal comparison and discussion of their efficiency and optimality. We introduce a learnable and transferable commonsense library to enhance the LLM's reasoning performance without fine-tuning. The action space expansion based on the commonsense library can further increase the success rate of planning. Experiments show the theoretical bounds of commonsense pruning and heuristic, and demonstrate the actual performance of LLM learning and reasoning with the commonsense library. Results in four datasets showcase the practical effectiveness of our approach in everyday service robot applications.
• Abstract（参考訳）: 行動木(BT)計画は自律的なロボット行動制御に不可欠であるが、複雑なシナリオにおけるその適用は長い計画時間によって妨げられる。 Pruning and Heuristics is common technique to accelerate planning, but to design general pruning strategy and heuristic function for BT planning problems。 本稿では,Large Language Models (LLMs) が提供するコモンセンス推論を利用した日常サービスロボットのBT計画効率の改善を提案し,モデルフリーな事前計画行動空間のプルーニングとヒューリスティック生成を実現する。 このアプローチはBTノードのモジュラリティと解釈可能性を活用し、LLMが明示的なアクションモデルなしでタスク関連アクション述語やオブジェクト、さらには最適なパスを予測できるようにする。 本稿では,2つのヒューリスティックな変種を持つHuristic Optimal Behavior Tree Expansion Algorithm (HOBTEA)を提案する。 微調整なしでLCMの推論性能を向上させるために,学習可能かつ伝達可能なコモンセンスライブラリを導入する。 コモンセンスライブラリに基づくアクションスペースの拡張は、プランニングの成功率をさらに高めることができる。 実験はコモンセンスプルーニングとヒューリスティックの理論的境界を示し、LLM学習の実際の性能とコモンセンスライブラリによる推論を実証する。 4つのデータセットの結果は、日々のサービスロボット応用における我々のアプローチの実践的効果を示している。

関連論文リスト

• Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
  CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。 反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-19T04:13:58Z)
• Integrating Intent Understanding and Optimal Behavior Planning for Behavior Tree Generation from Human Instructions [5.31484618181979]
  動作木(BT)は、人間の指示に従ってタスクを実行するロボットのための適切な制御アーキテクチャである。 本稿では,BT生成のための2段階のフレームワークを提案する。 我々は、一階述語論理における目的と十分に整形された公式を表現し、意図の理解と最適な行動計画を効果的にブリッジする。
  論文  参考訳（メタデータ） (2024-05-13T05:23:48Z)
• 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)
• Learning Planning-based Reasoning by Trajectories Collection and Process Reward Synthesizing [61.98556945939045]
  収集された軌道上でのDPO(Direct Preference Optimization)を通して計画に基づく推論を学習するフレームワークを提案する。 論理的推論ベンチマークの挑戦的な結果から,学習フレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-02-01T15:18:33Z)
• A Study on Training and Developing Large Language Models for Behavior Tree Generation [22.632022793663516]
  本稿では,大規模言語モデル(LLM)の適用可能性について,革新的な考察を行う。 本論文の中核となる貢献は,LLMに基づくBT生成フレームワークの設計である。 生成したBTの有効性と実行性を確保するため,データ検証の重要性を強調した。
  論文  参考訳（メタデータ） (2024-01-16T03:28:29Z)
• Consolidating Trees of Robotic Plans Generated Using Large Language Models to Improve Reliability [6.4111574364474215]
  LLM(Large Language Models)の固有の確率論的性質は、予測不可能な要素を導入している。 本稿では,多様な現実の要求やシナリオに対して,適切なロボットタスク計画を作成することを目的とした,革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-15T18:01:59Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)
• EmbodiedGPT: Vision-Language Pre-Training via Embodied Chain of Thought [95.37585041654535]
  Embodied AIは、ロボットが物理的な環境で長時間のタスクを遂行するためのアクションシーケンスを計画し、実行することができる。 本稿では,EmbodiedGPTを紹介する。EmbodiedGPTは,エンボディドAIのためのエンドツーエンドのマルチモーダル基盤モデルである。 実験は、実施計画、実施制御、視覚的キャプション、視覚的質問応答など、実施されたタスクに対するEmbodiedGPTの有効性を示す。
  論文  参考訳（メタデータ） (2023-05-24T11:04:30Z)
• A Framework for Neurosymbolic Robot Action Planning using Large Language Models [3.0501524254444767]
  本稿では,象徴的タスク計画と機械学習アプローチのギャップを埋めることを目的としたフレームワークを提案する。 大規模言語モデル(LLM)を計画ドメイン定義言語(PDDL)と互換性のあるニューロシンボリックタスクプランナーに訓練する根拠 選択されたドメインにおける予備的な結果から, (i) テストデータセットの95.5%の問題を1,000個のサンプルで解決し, (ii) 従来のシンボルプランナーよりも最大13.5%短いプランを作成し, (iii) 計画の可利用性の平均待ち時間を61.4%まで削減する。
  論文  参考訳（メタデータ） (2023-03-01T11:54:22Z)
• Visual Learning-based Planning for Continuous High-Dimensional POMDPs [81.16442127503517]
  Visual Tree Search (VTS)は、オフラインで学習した生成モデルとオンラインモデルベースのPOMDP計画を組み合わせた学習と計画の手順である。 VTSは、モンテカルロの木探索プランナーにおける画像観測の可能性を予測し評価するために、一連の深部生成観測モデルを利用することで、オフラインモデルトレーニングとオンラインプランニングを橋渡しする。 VTSは、異なる観測ノイズに対して堅牢であり、オンラインのモデルベースプランニングを利用するため、再トレーニングを必要とせずに、異なる報酬構造に適応できることを示す。
  論文  参考訳（メタデータ） (2021-12-17T11:53:31Z)

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。