論文の概要: Learning Compositional Symbolic Task Rules from Demonstrations with Inductive Logic Programming
- arxiv url: http://arxiv.org/abs/2605.26828v1
- Date: Tue, 26 May 2026 10:45:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.889888
- Title: Learning Compositional Symbolic Task Rules from Demonstrations with Inductive Logic Programming
- Title（参考訳）: 帰納的論理プログラミングを用いた実証から構成記号的タスクルールを学習する
- Authors: Oleh Borys, Karla Stepanova,
- Abstract要約: 帰納論理プログラミング(ILP)を用いたロボットタスクの表現と学習方法を示す。
実証や事前(ドメイン)知識から象徴的なルールを推論し、より高いレベルのタスク構造を学ぶ際に学習したルールを再利用する。
これらの結果は,非分解型LPがタスクレベルLfDに対する実現可能なアプローチであることを示す予備的証拠を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning from Demonstration~(LfD) should capture not only how a task is executed, but also its high-level task structure that explains the demonstrated behavior. As robots become more autonomous, such task representations must be inspectable, reusable, and human-interpretable. To address this, we study how to represent and learn robotic tasks with inductive logic programming~(ILP) by decomposing a complex task into a series of simpler learning objectives at different abstraction (ontological) levels. The system infers symbolic rules from demonstrations and prior (domain) knowledge, and reuses learned rules when learning higher-level task structure. We evaluate the approach in a synthetic block-assembly scenario and show that the learned abstractions are interpretable and support strong generalization to harder, held-out tasks with unseen objects. These results provide preliminary evidence that decomposed ILP is a feasible approach to task-level LfD.
- Abstract（参考訳）: Demonstration~(LfD)からの学習は、タスクの実行方法だけでなく、実証された振る舞いを説明するハイレベルなタスク構造も捉えるべきです。
ロボットがより自律的になるにつれて、そのようなタスク表現は検査可能で、再利用可能で、人間の解釈可能でなければならない。
そこで本研究では,複雑なタスクを抽象レベル(オントロジーレベル)の異なる単純な学習対象に分解することで,帰納的論理プログラミング(ILP)を用いてロボットタスクを表現・学習する方法について検討する。
このシステムは、デモンストレーションや事前(ドメイン)知識から象徴的なルールを推論し、より高いレベルのタスク構造を学ぶ際に学習したルールを再利用する。
提案手法は,合成ブロック組立シナリオにおいて評価され,学習された抽象概念が解釈可能であることを示す。
これらの結果は,非分解型LPがタスクレベルLfDに対する実現可能なアプローチであることを示す予備的証拠を提供する。
関連論文リスト
- Executable Analytic Concepts as the Missing Link Between VLM Insight and Precise Manipulation [70.8381970762877]
VLM(Vision-Language Models)は、セマンティック推論とタスク計画において顕著な能力を示す。
本稿では,VLMに基づく推論を実行可能な解析概念を通じて基礎づける新しいフレームワークであるGRACEを紹介する。
G GRACEは高レベル命令理解と低レベルロボット制御の統一的で解釈可能なインターフェースを提供する。
論文 参考訳（メタデータ） (2025-10-09T09:08:33Z) - Temporal Representation Alignment: Successor Features Enable Emergent Compositionality in Robot Instruction Following [50.377287115281476]
本研究では,現在および将来の状態の表現と時間的損失を関連付ける学習により,構成一般化が向上することを示す。
我々は,多様なロボット操作タスクおよびシミュレーションにおけるアプローチを評価し,言語やゴールイメージで指定されたタスクに対して,大幅な改善を示す。
論文 参考訳（メタデータ） (2025-02-08T05:26:29Z) - Learning with Language-Guided State Abstractions [58.199148890064826]
高次元観測空間における一般化可能なポリシー学習は、よく設計された状態表現によって促進される。
我々の手法であるLGAは、自然言語の監視と言語モデルからの背景知識を組み合わせて、目に見えないタスクに適した状態表現を自動構築する。
シミュレーションされたロボットタスクの実験では、LGAは人間によって設計されたものと同様の状態抽象化をもたらすが、そのほんの少しの時間で得られる。
論文 参考訳（メタデータ） (2024-02-28T23:57:04Z) - From Real World to Logic and Back: Learning Generalizable Relational Concepts For Long Horizon Robot Planning [16.115874470700113]
本稿では,ロボットが少数の生・未分割・無注釈のデモから直接,記号的・関係的概念を創出することを可能にする方法を提案する。
我々のフレームワークは手動のシンボルモデルと同等のパフォーマンスを達成し、一方、トレーニングをはるかに超越した実行地平線へのスケーリングを実現している。
論文 参考訳（メタデータ） (2024-02-19T06:28:21Z) - Learning Neuro-Symbolic Skills for Bilevel Planning [63.388694268198655]
意思決定は、連続したオブジェクト中心の状態、継続的なアクション、長い地平線、まばらなフィードバックを持つロボット環境では難しい。
タスク・アンド・モーション・プランニング(TAMP)のような階層的なアプローチは、意思決定を2つ以上の抽象レベルに分解することでこれらの課題に対処する。
我々の主な貢献は、オペレーターとサンプルラーを組み合わせたパラメータ化警察の学習方法である。
論文 参考訳（メタデータ） (2022-06-21T19:01:19Z) - Inverse Reinforcement Learning of Autonomous Behaviors Encoded as
Weighted Finite Automata [18.972270182221262]
本稿では,論理タスク仕様とコスト関数を実演から学習する手法を提案する。
本稿では,タスクの未知論理構造を近似した重み付き有限オートマトン(WFA)の抽出にスペクトル学習手法を用いる。
高レベルタスクガイダンスのためのWFAと低レベル制御のためのラベル付きマルコフ決定プロセス(L-MDP)との間にある製品を定義し、実証者の行動にマッチするコスト関数を最適化する。
論文 参考訳（メタデータ） (2021-03-10T06:42:10Z) - CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and
Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。
タスクは、ブロックのセットから3D形状を構築することで構成される。
論文 参考訳（メタデータ） (2020-10-08T23:01:13Z)
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。