論文の概要: Jointly Learning Predicates and Actions Enables Zero-Shot Skill Composition

• arxiv url: http://arxiv.org/abs/2605.20648v1
• Date: Wed, 20 May 2026 03:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.453032
• Title: Jointly Learning Predicates and Actions Enables Zero-Shot Skill Composition
• Title（参考訳）: ゼロショットスキル構成が可能な述語とアクションを共同学習する
• Authors: Benedict Quartey, Sebastian Castro, Eric Rosen, Wil Thomason, George Konidaris, Stefanie Tellex,
• Abstract要約: 述語行動スキル (Predicate Action Skills, PACTS) は、行動に関する共同生成プロセスとしてスキルをモデル化し、信念の軌跡を述語するクローズドループビズモータ政策のクラスである。 アクションと述語を共同生成することで、PACTSはアクション生成と述語分類の両方を改善する内部表現を学ぶことができる。 PACTSのオンライン述語予測を,実行のシークエンシングとモニタリングのためのシンボルインターフェースとして活用することで,学習スキルのゼロショット構成を計画を通じて実証する。
• 参考スコア（独自算出の注目度）: 17.86021633953882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from Demonstration (LfD) enables robots to learn complex behaviors from expert examples, yet existing approaches often fail to generalize to new compositions of known skills without retraining. Modern generative policies model distributions over action trajectories alone, thus are unable to reason about the symbolic outcomes required for robust composition. We propose that skills should jointly model action trajectories and the symbolic outcomes they induce. To address this gap, we introduce Predicate Action Skills (PACTS), a class of closed-loop visuomotor policies that model skills as a joint generative process over action and predicate belief trajectories, producing coherent action-outcome rollouts within a single model. Jointly generating actions and predicates enables PACTS to learn internal representations that improve both action generation and predicate classification. Furthermore, we demonstrate zero-shot composition of learned skills via planning by leveraging online predicate predictions from PACTS as a symbolic interface for sequencing and monitoring execution. Project website: https://planpacts.github.io/
• Abstract（参考訳）: 実証から学ぶ(LfD)ことで、ロボットは専門家の例から複雑な振る舞いを学ぶことができるが、既存のアプローチでは、トレーニングをすることなく、既知のスキルの新たな構成に一般化できないことが多い。 現代の生成的ポリシーは、行動軌跡のみ上の分布をモデル化するので、ロバストな構成に必要な象徴的な結果について説明できない。 我々は,行動軌跡とそれらが引き起こす象徴的な成果を共同でモデル化することを提案する。 このギャップに対処するために、我々は、行動に関する共同生成プロセスとしてスキルをモデル化し、信念の軌跡を述語するクローズドループビズモータ政策のクラスであるPredicate Action Skills (PACTS)を導入する。 アクションと述語を共同生成することで、PACTSはアクション生成と述語分類の両方を改善する内部表現を学ぶことができる。 さらに、PACTSのオンライン述語予測を、実行のシーケンシングとモニタリングの象徴的なインターフェースとして活用することにより、学習スキルのゼロショット構成を計画を通じて実証する。 プロジェクトウェブサイト:https://planpacts.github.io/

関連論文リスト

• Decompose and Recompose: Reasoning New Skills from Existing Abilities for Cross-Task Robotic Manipulation [45.91196295385836]
  クロスタスクの一般化は、オープンソースのロボット操作における中核的な課題である。 中間表現としてアトミックなスキルアクションペアを用いたスキル推論フレームワークであるDecomposeとRecomposeを提案する。 われわれのアプローチでは、実演を解釈可能なスキル-アクションアライメントに分解し、モデルが見えないタスクのためにこれらのスキルを再構成できるようにする。
  論文  参考訳（メタデータ） (2026-05-02T13:55:28Z)
• LLMs Reading the Rhythms of Daily Life: Aligned Understanding for Behavior Prediction and Generation [53.62804271492357]
  大きな言語モデル(LLM)は、その意味的豊かさ、強い解釈可能性、生成能力により、有望な方向性を提供する。 本稿では,LLMを構造化カリキュラム学習プロセスを通じて人間行動モデリングに統合する,行動理解アライメント(BUA)を提案する。 BUAは、事前訓練された行動モデルからのシーケンス埋め込みをアライメントアンカーとして採用し、3段階のカリキュラムを通じてLLMをガイドし、マルチラウンドの対話設定では予測と生成機能を導入している。
  論文  参考訳（メタデータ） (2026-04-26T07:34:37Z)
• ICLR: In-Context Imitation Learning with Visual Reasoning [7.622880558476133]
  インコンテキストの模倣学習により、ロボットは追加の訓練をすることなく、少数のデモから新しいタスクに適応できる。 In-Context Imitation Learning with Visual Reasoning (ICLR) は、視覚的推論トレースを構造化したデモプロンプトを強化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-03-08T08:40:05Z)
• CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos [73.51386721543135]
  本稿では,映像から視覚的潜伏空間をロボット軌道から受容的潜伏空間に整列させるフレームワークであるContrastive Latent Action Pretraining (CLAP)を提案する。 CLAPは、ビデオの遷移を量子化され、物理的に実行可能なコードブックにマッピングする。 本稿では,命令追従やオブジェクトの一般化に優れた自己回帰モデルであるCLAP-NTPと,高頻度かつ高精度な操作のために設計されたRectified FlowベースのポリシーであるCLAP-RFの両方を提供する二重形式VLAフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T16:26:33Z)
• Learning Diffusion Policy from Primitive Skills for Robot Manipulation [36.95867683028485]
  拡散政策(DP)は近年,ロボット操作における行動の生成において大きな期待を抱いている。 本稿では,解釈可能なスキル学習と条件付きアクションプランニングを統合した,スキル条件付きDPであるSDPを提案する。
  論文  参考訳（メタデータ） (2026-01-05T09:56:24Z)
• ACT-JEPA: Novel Joint-Embedding Predictive Architecture for Efficient Policy Representation Learning [90.41852663775086]
  ACT-JEPAは模倣学習と自己教師型学習を統合する新しいアーキテクチャである。 我々はアクションシーケンスと抽象的な観察シーケンスを予測するポリシーを訓練する。 実験の結果,ACT-JEPAは時間環境の動的学習によって表現の質を向上させることがわかった。
  論文  参考訳（メタデータ） (2025-01-24T16:41:41Z)
• CLIPood: Generalizing CLIP to Out-of-Distributions [73.86353105017076]
  対照的に、CLIP(Language-image Pre-training)モデルでは、印象的なゼロショット能力を示しているが、下流タスクにおけるCLIPのさらなる適応は、OODのパフォーマンスを好ましくない劣化させる。 ドメインシフトとオープンクラスの両方が見えないテストデータ上で発生する可能性があるOOD状況にCLIPモデルを適用するための微調整手法であるCLIPoodを提案する。 さまざまなOODシナリオによるさまざまなデータセットの実験は、CLIPoodが既存の一般化テクニックを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-02-02T04:27:54Z)

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。