論文の概要: Breaking Task Impasses Quickly: Adaptive Neuro-Symbolic Learning for Open-World Robotics

• arxiv url: http://arxiv.org/abs/2601.16985v1
• Date: Thu, 01 Jan 2026 17:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 02:21:38.4569
• Title: Breaking Task Impasses Quickly: Adaptive Neuro-Symbolic Learning for Open-World Robotics
• Title（参考訳）: オープンワールドロボティクスのための適応型ニューロシンボリック学習
• Authors: Pierrick Lorang,
• Abstract要約: 本稿では、階層的抽象化、タスク・アンド・モーション・プランニング(TAMP)、強化学習を統合し、ロボット工学の迅速な適応を可能にするニューロシンボリック・フレームワークを提案する。 我々のアーキテクチャは、目標指向学習と世界モデルに基づく探索を組み合わせることで、環境変化への迅速な適応を促進する。
• 参考スコア（独自算出の注目度）: 0.7614628596146601
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Adapting to unforeseen novelties in open-world environments remains a major challenge for autonomous systems. While hybrid planning and reinforcement learning (RL) approaches show promise, they often suffer from sample inefficiency, slow adaptation, and catastrophic forgetting. We present a neuro-symbolic framework integrating hierarchical abstractions, task and motion planning (TAMP), and reinforcement learning to enable rapid adaptation in robotics. Our architecture combines symbolic goal-oriented learning and world model-based exploration to facilitate rapid adaptation to environmental changes. Validated in robotic manipulation and autonomous driving, our approach achieves faster convergence, improved sample efficiency, and superior robustness over state-of-the-art hybrid methods, demonstrating its potential for real-world deployment.
• Abstract（参考訳）: オープンワールド環境における予期せぬ斬新さに適応することは、自律システムにとって大きな課題である。 ハイブリッド計画と強化学習(RL)アプローチは有望であるが、しばしばサンプルの非効率性、適応の遅さ、破滅的な忘れ込みに悩まされる。 本稿では、階層的抽象化、タスク・アンド・モーション・プランニング(TAMP)、強化学習を統合し、ロボット工学の迅速な適応を可能にするニューロシンボリック・フレームワークを提案する。 我々のアーキテクチャは、目標指向学習と世界モデルに基づく探索を組み合わせることで、環境変化への迅速な適応を促進する。 ロボット操作と自律運転において検証された本手法は, より高速な収束, サンプル効率の向上, 最先端のハイブリッド手法よりも優れた堅牢性を実現し, 実世界の展開の可能性を示した。

関連論文リスト

• Curiosity-Driven Imagination: Discovering Plan Operators and Learning Associated Policies for Open-World Adaptation [7.406934849952094]
  動的で不確実な環境に素早く適応することは、ロボット工学における大きな課題である。 従来のタスク・アンド・モーション・プランニングアプローチは、予期せぬ変化に対処し、適応するときにデータ非効率であり、学習中に世界モデルを活用するのに苦労する。 我々はこの問題を、2つのモデルを統合するハイブリッド計画学習システムで解決する: 遷移を学習し、固有の好奇性モジュール(ICM)による探索を駆動する低レベルニューラルネットワークベースモデル。 シーケンシャル・ノベルティ・インジェクションを用いたロボット操作領域における評価は、我々のアプローチがより高速に収束し、最先端のハイブリッド手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-06T20:02:26Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Robot Skill Generalization via Keypoint Integrated Soft Actor-Critic Gaussian Mixture Models [21.13906762261418]
  ロボット操作システムの長年の課題は、取得したモータースキルを、目に見えない環境に適応させ、一般化することだ。 我々は、模倣と強化のパラダイムを統合するハイブリッドスキルモデルを用いて、この課題に取り組む。 提案手法は,ロボットが新規環境への大幅なゼロショット一般化を実現し,目標環境におけるスキルをスクラッチから学習するよりも早く洗練することができることを示す。
  論文  参考訳（メタデータ） (2023-10-23T16:03:23Z)
• Incorporating Neuro-Inspired Adaptability for Continual Learning in Artificial Intelligence [59.11038175596807]
  継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。 既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。 本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:43:58Z)
• Rapidly Adaptable Legged Robots via Evolutionary Meta-Learning [65.88200578485316]
  本稿では,ロボットが動的変化に迅速に適応できるメタ学習手法を提案する。 提案手法は高雑音環境における動的変化への適応性を著しく改善する。 我々は、動的に変化しながら歩くことを学習する四足歩行ロボットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-03-02T22:56:27Z)

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。