論文の概要: A Motivational Architecture for Open-Ended Learning Challenges in Robots

• arxiv url: http://arxiv.org/abs/2506.18454v1
• Date: Mon, 23 Jun 2025 09:46:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.924018
• Title: A Motivational Architecture for Open-Ended Learning Challenges in Robots
• Title（参考訳）: ロボットにおけるオープンエンド学習課題のためのモチベーションアーキテクチャ
• Authors: Alejandro Romero, Gianluca Baldassarre, Richard J. Duro, Vieri Giuliano Santucci,
• Abstract要約: 我々は,新たな目標を自律的に発見し,達成に必要なスキルを習得し,相互依存型タスクに取り組むためのスキルシーケンスを生成し,非定常環境に適応する階層型アーキテクチャH-GRAILを紹介する。 我々はH-GRAILを実際のロボットシナリオでテストし、提案手法がオープンエンド学習の様々な課題に効果的に対処する方法を実証した。
• 参考スコア（独自算出の注目度）: 42.797352384123386
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Developing agents capable of autonomously interacting with complex and dynamic environments, where task structures may change over time and prior knowledge cannot be relied upon, is a key prerequisite for deploying artificial systems in real-world settings. The open-ended learning framework identifies the core challenges for creating such agents, including the ability to autonomously generate new goals, acquire the necessary skills (or curricula of skills) to achieve them, and adapt to non-stationary environments. While many existing works tackles various aspects of these challenges in isolation, few propose integrated solutions that address them simultaneously. In this paper, we introduce H-GRAIL, a hierarchical architecture that, through the use of different typologies of intrinsic motivations and interconnected learning mechanisms, autonomously discovers new goals, learns the required skills for their achievement, generates skill sequences for tackling interdependent tasks, and adapts to non-stationary environments. We tested H-GRAIL in a real robotic scenario, demonstrating how the proposed solutions effectively address the various challenges of open-ended learning.
• Abstract（参考訳）: タスク構造が時間とともに変化し、事前の知識を頼りにできないような、複雑で動的な環境と自律的に対話できるエージェントを開発することは、現実の環境で人工システムをデプロイするための重要な前提条件である。 オープンエンド学習フレームワークは、新しい目標を自律的に生成し、それらを達成するために必要なスキル(またはスキルのカリキュラム)を取得し、非定常環境に適応する能力を含む、そのようなエージェントを作成するための中核的な課題を特定する。 既存の作業の多くは、これらの課題のさまざまな側面を分離して対処するが、同時に対処する統合ソリューションを提案するものは少ない。 本稿では,H-GRAILを紹介する。H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL,H-GRAIL。 我々はH-GRAILを実際のロボットシナリオでテストし、提案手法がオープンエンド学習の様々な課題に効果的に対処する方法を実証した。

関連論文リスト

• Position: Emergent Machina Sapiens Urge Rethinking Multi-Agent Paradigms [7.849755506626349]
  AIエージェントは、目的を動的に調整する権限を持つべきだ、と私たちは主張する。 私たちは、これらのマルチエージェントAIシステムの創発的で、自己組織化され、コンテキストに配慮した性質へのシフトを呼びかけます。
  論文  参考訳（メタデータ） (2025-02-05T22:20:15Z)
• RObotic MAnipulation Network (ROMAN) $\unicode{x2013}$ Hybrid Hierarchical Learning for Solving Complex Sequential Tasks [70.69063219750952]
  ロボットマニピュレーションネットワーク(ROMAN)のハイブリッド階層型学習フレームワークを提案する。 ROMANは、行動クローニング、模倣学習、強化学習を統合することで、タスクの汎用性と堅牢な障害回復を実現する。 実験結果から,これらの専門的な操作専門家の組織化と活性化により,ROMANは高度な操作タスクの長いシーケンスを達成するための適切なシーケンシャルなアクティベーションを生成することがわかった。
  論文  参考訳（メタデータ） (2023-06-30T20:35:22Z)
• Autonomous Open-Ended Learning of Tasks with Non-Stationary Interdependencies [64.0476282000118]
  固有のモチベーションは、目標間のトレーニング時間を適切に割り当てるタスクに依存しないシグナルを生成することが証明されている。 内在的に動機付けられたオープンエンドラーニングの分野におけるほとんどの研究は、目標が互いに独立しているシナリオに焦点を当てているが、相互依存タスクの自律的な獲得を研究するのはごくわずかである。 特に,タスク間の関係に関する情報をアーキテクチャのより高レベルなレベルで組み込むことの重要性を示す。 そして、自律的に取得したシーケンスを格納する新しい学習層を追加することで、前者を拡張する新しいシステムであるH-GRAILを紹介する。
  論文  参考訳（メタデータ） (2022-05-16T10:43:01Z)
• 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)
• Self-supervised Reinforcement Learning with Independently Controllable Subgoals [20.29444813790076]
  自己監督エージェントは、環境の構造を活用することで、自身の目標を設定した。 それらのいくつかは、合成多目的環境における基本的な操作スキルを学ぶために応用された。 本稿では,環境コンポーネント間の関係を推定し,環境状態の異なる部分を独立に制御する,新たな自己管理エージェントを提案する。
  論文  参考訳（メタデータ） (2021-09-09T10:21:02Z)
• SKID RAW: Skill Discovery from Raw Trajectories [23.871402375721285]
  すべてのスキルではなく、完全なタスクの実行を示すことが望ましい。 軌跡を反復パターンに分割することを同時に学習する新しい手法を提案する。 このアプローチは、スキルのシーケンスを理解するのに使用できるスキルコンディショニングを学習する。
  論文  参考訳（メタデータ） (2021-03-26T17:27:13Z)
• Autonomous learning of multiple, context-dependent tasks [1.1470070927586016]
  複雑な環境では、同じタスクには解決すべきさまざまなスキルセットが必要になるかもしれません。 本稿では,2つの課題を統合的に解決するオープンエンド学習ロボットアーキテクチャC-GRAILを提案する。 アーキテクチャは、自律的に関連する対象物に到達することを学習するロボットを含むシミュレーションされたロボット環境でテストされる。
  論文  参考訳（メタデータ） (2020-11-27T17:25:36Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

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。