Fugu-MT 論文翻訳(概要): Autonomous Task Completion Based on Goal-directed Answer Set Programming

論文の概要: Autonomous Task Completion Based on Goal-directed Answer Set Programming

arxiv url: http://arxiv.org/abs/2502.09208v1
Date: Thu, 13 Feb 2025 11:46:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-14 13:49:09.403500
Title: Autonomous Task Completion Based on Goal-directed Answer Set Programming
Title（参考訳）: Goal-directed Answer Set Programmingに基づく自律タスク補完
Authors: Alexis R. Tudor,
Abstract要約: 本研究では,課題分解と完了のためのシステムの説明可能性と信頼性を高めるために,帰納的学習手法と目標指向の回答セットプログラミングを組み合わせることを提案する。予備研究により、s(CASP)を利用してタスク問題を計算的に効率的な方法で解決するPythonハーネスが開発された。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Task planning for autonomous agents has typically been done using deep learning models and simulation-based reinforcement learning. This research proposes combining inductive learning techniques with goal-directed answer set programming to increase the explainability and reliability of systems for task breakdown and completion. Preliminary research has led to the creation of a Python harness that utilizes s(CASP) to solve task problems in a computationally efficient way. Although this research is in the early stages, we are exploring solutions to complex problems in simulated task completion.
Abstract（参考訳）: 自律エージェントのタスクプランニングは通常、ディープラーニングモデルとシミュレーションベースの強化学習を使用して行われてきた。本研究では,課題分解と完了のためのシステムの説明可能性と信頼性を高めるために,帰納的学習手法と目標指向の回答セットプログラミングを組み合わせることを提案する。予備研究により、s(CASP)を利用してタスク問題を計算的に効率的な方法で解決するPythonハーネスが開発された。この研究は初期段階にあるが、シミュレーションタスク完了における複雑な問題に対する解決策を模索している。

関連論文リスト

Learning Dual-arm Object Rearrangement for Cartesian Robots [28.329845378085054]
この研究は、カルテシアンロボットの現実的な産業シナリオから抽象化されたデュアルアームオブジェクト再構成問題に焦点を当てる。この問題の目標は、すべてのオブジェクトをソースからターゲットに、総完了時間最小で転送することである。我々は、累積タスク実行時間を最小化し、両腕協調効率を最大化するための効果的なオブジェクト・ツー・アームタスク割り当て戦略を開発する。
論文参考訳（メタデータ） (2024-02-21T09:13:08Z)
Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
論文参考訳（メタデータ） (2024-02-20T11:03:36Z)
The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
論文参考訳（メタデータ） (2024-02-07T01:45:14Z)
Synthesizing a Progression of Subtasks for Block-Based Visual Programming Tasks [21.33708484899808]
本稿では,その複雑さの観点から,高品質で十分な空間を持つサブタスクの進行を生成する新しい合成アルゴリズムを提案する。本稿では,Karelプログラミング環境における課題解決のためのAIエージェントの有効性向上のための合成アルゴリズムの有用性を示す。
論文参考訳（メタデータ） (2023-05-27T16:24:36Z)
Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文参考訳（メタデータ） (2023-04-30T22:51:31Z)
Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
論文参考訳（メタデータ） (2022-12-30T12:32:43Z)
Leveraging Sequentiality in Reinforcement Learning from a Single Demonstration [68.94506047556412]
本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
論文参考訳（メタデータ） (2022-11-09T10:28:40Z)
Reinforcement Learning Approach for Multi-Agent Flexible Scheduling Problems [0.0]
本研究では,スケジューリング問題に対する強化学習手法を提案する。特に,本研究では,ジョブショップスケジューリング問題に対して,検索スペースを削減したオープンAIジム環境を提供する。
論文参考訳（メタデータ） (2022-10-07T16:31:01Z)
Reset-Free Reinforcement Learning via Multi-Task Learning: Learning Dexterous Manipulation Behaviors without Human Intervention [67.1936055742498]
マルチタスク学習は、リセットフリーの学習スキームをはるかに複雑な問題に効果的にスケールできることを示す。この研究は、人間の介入なしにRLを用いて現実世界での巧妙な操作行動を学ぶ能力を示す。
論文参考訳（メタデータ） (2021-04-22T17:38:27Z)
Solving Compositional Reinforcement Learning Problems via Task Reduction [18.120631058025406]
構成強化学習の課題を解決するための新しい学習パラダイムであるSelf-Imitation via reduction (SIR)を提案する。 SIRは、タスクの削減と自己模倣の2つのコアアイデアに基づいています。実験の結果、sirは様々な難易度の低い連続制御問題の学習を著しく加速し改善できることが示されている。
論文参考訳（メタデータ） (2021-03-13T03:26:33Z)
Reinforcement Learning for Assignment problem [0.0]
我々のシミュレータは環境の変化によって現実の問題に類似している。そこで本研究では,Q-ラーニングに基づく手法を,全報酬の観点から,動的シミュレーションの数と,解析的欲求に基づく解に応用した。
論文参考訳（メタデータ） (2020-11-08T06:25:50Z)

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。