論文の概要: Formal Methods in Robot Policy Learning and Verification: A Survey on Current Techniques and Future Directions

• arxiv url: http://arxiv.org/abs/2602.06971v1
• Date: Fri, 09 Jan 2026 17:49:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 05:12:44.712877
• Title: Formal Methods in Robot Policy Learning and Verification: A Survey on Current Techniques and Future Directions
• Title（参考訳）: ロボット政策学習の形式的方法と検証:現状と今後の方向性に関する調査
• Authors: Anastasios Manganaris, Vittorio Giammarino, Ahmed H. Qureshi, Suresh Jagannathan,
• Abstract要約: ロボット工学の分野では、ディープラーニングの採用によって、複雑さが増大する傾向が生まれている。 ディープニューラルネットワークは、従来の形式解析に課題を提起しており、柔軟性があり、脆弱で解釈が難しいモデルにつながっている。 本稿では,最近のロボット学習研究における形式的手法の活用方法について概説する。
• 参考スコア（独自算出の注目度）: 14.979445283937187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As hardware and software systems have grown in complexity, formal methods have been indispensable tools for rigorously specifying acceptable behaviors, synthesizing programs to meet these specifications, and validating the correctness of existing programs. In the field of robotics, a similar trend of rising complexity has emerged, driven in large part by the adoption of deep learning. While this shift has enabled the development of highly performant robot policies, their implementation as deep neural networks has posed challenges to traditional formal analysis, leading to models that are inflexible, fragile, and difficult to interpret. In response, the robotics community has introduced new formal and semi-formal methods to support the precise specification of complex objectives, guide the learning process to achieve them, and enable the verification of learned policies against them. In this survey, we provide a comprehensive overview of how formal methods have been used in recent robot learning research. We organize our discussion around two pillars: policy learning and policy verification. For both, we highlight representative techniques, compare their scalability and expressiveness, and summarize how they contribute to meaningfully improving realistic robot safety and correctness. We conclude with a discussion of remaining obstacles for achieving that goal and promising directions for advancing formal methods in robot learning.
• Abstract（参考訳）: ハードウェアとソフトウェアシステムが複雑化するにつれて、形式的手法は許容可能な振る舞いを厳格に指定し、これらの仕様を満たすためのプログラムを合成し、既存のプログラムの正しさを検証するために欠かせないツールとなった。 ロボット工学の分野では、ディープラーニングの採用によって、複雑さが増大する傾向が生まれている。 このシフトにより、高性能なロボットポリシーの開発が可能になったが、ディープニューラルネットワークとしての実装は、従来の形式解析に課題をもたらし、柔軟性がなく、脆弱で、解釈が難しいモデルへと繋がった。 ロボットコミュニティは、複雑な目的の正確な仕様をサポートし、それらを達成するための学習プロセスを導き、それらに対する学習方針の検証を可能にするために、新しい形式的および半形式的な方法を導入した。 本稿では,最近のロボット学習研究における形式的手法の活用方法について概説する。 政策学習と政策検証の2つの柱に関する議論をまとめる。 どちらも代表的手法を強調し,そのスケーラビリティと表現性を比較し,現実的なロボットの安全性と正確性向上にどのように貢献するかを要約する。 我々は,ロボット学習において,その目標を達成するための障害と,形式的手法を推し進めるための有望な方向性について検討した。

関連論文リスト

• Interactive Imitation Learning for Dexterous Robotic Manipulation: Challenges and Perspectives -- A Survey [0.8287206589886879]
  有害な操作は、ヒューマノイドロボティクスにおいて不可欠だが非常に複雑な課題である。 実世界のデクスタラスな操作のための既存の学習ベースの手法をレビューする。 有望だが未発見の方向性はインタラクティブな模倣学習であり、人間のフィードバックがロボットの振る舞いを活発に洗練させる。
  論文  参考訳（メタデータ） (2025-05-30T12:19:32Z)
• GRAPPA: Generalizing and Adapting Robot Policies via Online Agentic Guidance [15.774237279917594]
  本稿では,ロボットによる自己指導と自己改善のためのエージェントフレームワークを提案する。 本フレームワークは,環境中の関連オブジェクトに対して,ベースロボットポリシーを反復的に適用する。 弊社のアプローチは、操作ポリシーを効果的にガイドし、成功率を大幅に向上させることを実証する。
  論文  参考訳（メタデータ） (2024-10-09T02:00:37Z)
• Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration [79.76009817889397]
  本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
  論文  参考訳（メタデータ） (2023-09-22T13:30:26Z)
• 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)
• Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
  本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。 決定木を利用して,ロボット学習における絡み合いの要因を抽出する。 学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
  論文  参考訳（メタデータ） (2022-10-13T01:10:41Z)
• 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)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)

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。