論文の概要: Experience-based Refinement of Task Planning Knowledge in Autonomous Robots

• arxiv url: http://arxiv.org/abs/2504.14259v1
• Date: Sat, 19 Apr 2025 10:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 03:48:13.268132
• Title: Experience-based Refinement of Task Planning Knowledge in Autonomous Robots
• Title（参考訳）: 自律ロボットにおけるタスク計画知識の体験に基づく再定義
• Authors: Hadeel Jazzaa, Thomas McCluskey, David Peebles,
• Abstract要約: 本稿では,物理ロボットが環境の象徴的な知識をいかに適応させることができるかを示す。 本稿では,知的ロボット行動に基づく知識を改善するために,ドメイン知識を精製する手法を提案する。 洗練された知識は、時間の経過とともに失敗の率を低下させるタスク計画の将来の合成につながる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The requirement for autonomous robots to exhibit higher-level cognitive skills by planning and adapting in an ever-changing environment is indeed a great challenge for the AI community. Progress has been made in the automated planning community on refinement and repair of an agent's symbolic knowledge to do task planning in an incomplete or changing environmental model, but these advances up to now have not been transferred to real physical robots. This paper demonstrates how a physical robot can be capable of adapting its symbolic knowledge of the environment, by using experiences in robot action execution to drive knowledge refinement and hence to improve the success rate of the task plans the robot creates. To implement more robust planning systems, we propose a method for refining domain knowledge to improve the knowledge on which intelligent robot behavior is based. This architecture has been implemented and evaluated using a NAO robot. The refined knowledge leads to the future synthesis of task plans which demonstrate decreasing rates of failure over time as faulty knowledge is removed or adjusted.
• Abstract（参考訳）: 自律ロボットが常に変化する環境で計画し、適応することによって、より高いレベルの認知能力を発揮することの必要性は、AIコミュニティにとって確かに大きな課題である。 不完全な環境モデルや変化した環境モデルでタスクプランニングを行うためのエージェントの象徴的知識の洗練と修復について、自動計画コミュニティで進展が見られたが、これらの進歩は今のところ実際の物理ロボットに移行されていない。 本稿では,ロボット行動の実行経験を用いて,ロボットが生成するタスク計画の成功率を向上させることにより,物理的なロボットが環境の象徴的な知識を適応できることを示す。 より堅牢な計画システムを実現するため,知的ロボット行動の基盤となる知識を改善するために,ドメイン知識を改良する手法を提案する。 このアーキテクチャはNAOロボットを用いて実装・評価されている。 洗練された知識は、欠陥知識が取り除かれたり、調整されたりすることで、時間の経過とともに失敗率を低下させるタスク計画の将来の合成につながる。

関連論文リスト

• Human-Centered AI and Autonomy in Robotics: Insights from a Bibliometric Study [3.794859469462058]
  Human-Centered AI(HCAI)は、人間の制御と自動化のバランスを図る。 本稿では,SciMAT と VOSViewer を用いた知的自律ロボットシステムの書誌分析を行った。 この発見は、学術的傾向、新しいトピック、そして自己適応型ロボット行動におけるAIの役割を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-04-28T14:45:48Z)
• OminiAdapt: Learning Cross-Task Invariance for Robust and Environment-Aware Robotic Manipulation [1.4719692998274154]
  本稿では,ヒューマノイドロボットに適した模倣学習アルゴリズムを提案する。 主な課題に焦点をあてて,提案アルゴリズムは環境障害を抑制する。 実験の結果,提案手法は様々なタスクシナリオに対して頑健さとスケーラビリティを示すことがわかった。
  論文  参考訳（メタデータ） (2025-03-27T08:28:22Z)
• Towards Conscious Service Robots [21.66931637743555]
  現実世界のロボティクスは、可変性、高次元状態空間、非線形依存、部分観測可能性といった課題に直面している。 現在の機械学習モデルとは異なり、人間は体系的な一般化とメタ認知を可能にする認知アーキテクチャのために、変化や新しいタスクに素早く適応する。 次世代のサービスロボットは、新しい状況に対処し、リスクを避け、エラーを軽減するために自分自身を監視する。
  論文  参考訳（メタデータ） (2025-01-25T12:32:52Z)
• Task-free Lifelong Robot Learning with Retrieval-based Weighted Local Adaptation [17.215730187681952]
  従来の課題から得たデータのサブセットを格納し,学習スキルを維持するために経験的リプレイを活用することと,関連する知識を回復するために新しい検索型局所適応技術を適用することの2つの方法により活用する。 我々はまた、最も「忘れられた」スキルセグメントに集中し、効果的な知識回復を確保するために、選択的な重み付け機構も組み込んだ。
  論文  参考訳（メタデータ） (2024-10-03T21:11:42Z)
• Autonomous Behavior Planning For Humanoid Loco-manipulation Through Grounded Language Model [6.9268843428933025]
  大規模言語モデル(LLM)は、意味情報の理解と処理のための強力な計画と推論能力を示している。 本稿では,ロボットが与えられたテキストによる指示の下で,自律的に動作や低レベル実行を計画できる新しい言語モデルベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-15T17:33:32Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• 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)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• A Road-map to Robot Task Execution with the Functional Object-Oriented Network [77.93376696738409]
  関数型オブジェクト指向ネットワーク(FOON)はロボットの知識グラフ表現である。 FOONは、二部グラフの形で、ロボットの環境やタスクに対する理解に関係のある象徴的あるいは高レベルな情報を含んでいる。
  論文  参考訳（メタデータ） (2021-06-01T00:43:04Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• DREAM Architecture: a Developmental Approach to Open-Ended Learning in Robotics [44.62475518267084]
  我々は、この再記述プロセス段階を段階的にブートストラップし、適切なモチベーションを持った新しい状態表現を構築し、獲得した知識をドメインやタスク、さらにはロボット間で伝達するための発達的認知アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-05-13T09:29:40Z)

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。