論文の概要: Hypothesis-driven Model Expansion under Uncertainty for Open-World Robot Planning
- arxiv url: http://arxiv.org/abs/2607.06501v1
- Date: Tue, 07 Jul 2026 17:02:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.595319
- Title: Hypothesis-driven Model Expansion under Uncertainty for Open-World Robot Planning
- Title（参考訳）: オープンワールドロボット計画における不確実性を考慮した仮説駆動型モデル展開
- Abstract要約: 従来のクローズドワールドアプローチでは、ロボットが予期せぬ状況やタスクに遭遇すると、事前にプログラムされた知識ベースが失敗する。
本研究では,ロボットが抽象世界モデルに関する仮説を自動生成し,検証し,更新することを可能にする,オープンワールド計画フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.68225681007945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider an open-world planning setting in which service robots must operate in unknown environments with incomplete knowledge of objects and actions. Traditional closed-world approaches with pre-programmed knowledge bases fail when robots encounter unexpected situations and tasks, posing a fundamental challenge for autonomous knowledge expansion in human environments. In this work, we propose an open-world planning framework that enables robots to automatically generate, verify, and update hypotheses about their abstract world models. Our key insight is to explicitly maintain uncertainty-aware knowledge expansion and integrate hypothesis verification into goal-reaching planning. The framework leverages foundation models to generate initial hypotheses over states and transitions, and applies automated planning to produce action sequences that jointly address hypothesis verification and task execution. Through iterative execution and refinement, the robot expands its knowledge by incorporating verification feedback from the foundation models when hypotheses prove incorrect. Extensive experiments in simulated and real-world environments demonstrate that our framework enables autonomous knowledge expansion and effective operation in open-world settings. These results indicate that integrating uncertainty-aware model expansion from robot foundation models with planning advances the practical deployment of household service robots.
- Abstract（参考訳）: 我々は,サービスロボットが未知の環境で動作しなければならないオープンワールドの計画環境を,対象物や行動について不完全な知識で検討する。
従来のクローズドワールドアプローチでは、事前にプログラムされた知識ベースは、ロボットが予期せぬ状況やタスクに遭遇したときに失敗する。
本研究では,ロボットが抽象世界モデルに関する仮説を自動生成し,検証し,更新することを可能にする,オープンワールド計画フレームワークを提案する。
我々の重要な洞察は、不確実性を認識した知識の拡大を明示的に維持し、仮説検証を目標達成計画に統合することである。
このフレームワークは基礎モデルを利用して状態と遷移に関する最初の仮説を生成し、仮説検証とタスク実行に共同で対処するアクションシーケンスを生成するために自動計画を適用する。
このロボットは、反復的な実行と改良を通じて、仮説が正しくない場合に基礎モデルからの検証フィードバックを組み込むことで、知識を拡大する。
シミュレーションおよび実世界の環境における大規模な実験により、我々のフレームワークは、オープンワールド環境での自律的な知識拡張と効果的な操作を可能にすることを示した。
これらの結果から,ロボット基盤モデルからの不確実性を考慮したモデル展開と,家庭用サービスロボットの実用化に向けての計画の進展が示唆された。
関連論文リスト
- Affordance-Graphed Task Worlds: Self-Evolving Task Generation for Scalable Embodied Learning [38.10198732103412]
Affordance-Graphed Task Worlds (AGT-World) は対話型シミュレーション環境とそれに対応するロボットタスクポリシーを自律的に構築するフレームワークである。
ランダムな提案や静的レプリケーションに依存するメソッドとは異なり、AGT-Worldは構造化グラフとしてタスク空間を定式化している。
提案手法は,スケーラブルなロボット学習のための提案,実行,修正の自己改善サイクルを達成し,成功率と一般化を著しく上回る。
論文 参考訳（メタデータ） (2026-02-12T15:23:45Z) - A Step Toward World Models: A Survey on Robotic Manipulation [58.8419978790227]
本稿では,ロボット操作の手法のレビューを通じて,世界モデルのコア機能を示すアプローチについて考察する。
我々は、認識、予測、制御にまたがる役割を分析し、主要な課題と解決策を特定し、完全に実現された世界モデルが持つべきコアコンポーネント、能力、機能を蒸留する。
論文 参考訳（メタデータ） (2025-10-31T00:57:24Z) - One Life to Learn: Inferring Symbolic World Models for Stochastic Environments from Unguided Exploration [77.8436947454471]
シンボリック・ワールド・モデリングは、実行可能プログラムとして環境の遷移力学を推論し、表現する必要がある。
OneLifeは、条件付きアクティベートされたプログラム法則を通じて世界ダイナミクスをモデル化するフレームワークである。
OneLifeは、最小限の、ガイドなしのインタラクションから、キー環境のダイナミクスをうまく学べる。
論文 参考訳（メタデータ） (2025-10-14T02:49:32Z) - Edge General Intelligence Through World Models and Agentic AI: Fundamentals, Solutions, and Challenges [87.02855999212817]
エッジ・ジェネラル・インテリジェンス(エッジ・ジェネラル・インテリジェンス、Edge General Intelligence、EGI)は、分散エージェントが自律的に知覚、理性、行動する能力を持つエッジ・コンピューティングの変革的進化を表す。
世界モデルは、将来の軌跡を予測するだけでなく、積極的に想像するプロアクティブな内部シミュレーターとして機能し、不確実性の理由を定め、予見で多段階のアクションを計画する。
この調査は、世界モデルがどのようにエージェント人工知能(AI)システムをエッジで強化できるかを包括的に分析することで、ギャップを埋める。
論文 参考訳（メタデータ） (2025-08-13T07:29:40Z) - World Models for Cognitive Agents: Transforming Edge Intelligence in Future Networks [55.90051810762702]
本稿では,世界モデルを概観し,そのアーキテクチャ,トレーニングパラダイム,予測,生成,計画,因果推論といった応用を概観する。
ワイヤレスエッジインテリジェンス最適化に適した,新しい世界モデルに基づく強化学習フレームワークであるWireless Dreamerを提案する。
論文 参考訳（メタデータ） (2025-05-31T06:43:00Z) - Experience-based Refinement of Task Planning Knowledge in Autonomous Robots [0.0]
本稿では,物理ロボットが環境の象徴的な知識をいかに適応させることができるかを示す。
本稿では,知的ロボット行動に基づく知識を改善するために,ドメイン知識を精製する手法を提案する。
洗練された知識は、時間の経過とともに失敗の率を低下させるタスク計画の将来の合成につながる。
論文 参考訳（メタデータ） (2025-04-19T10:43:33Z) - 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) - Emergence of Implicit World Models from Mortal Agents [0.276240219662896]
本稿では,自律エージェントにおけるオープンエンド行動最適化の創発的特性として,世界モデルと積極的な探索の可能性について論じる。
生物のオープン・エンディネスの源泉を論じる際、我々は、理論生物学と人工生命の力学的アプローチによって理解される生物学的システムの観点から始める。
論文 参考訳（メタデータ） (2024-11-19T07:43:30Z) - Open-world machine learning: A review and new outlooks [117.33922838201993]
オープンワールド機械学習の全体像を論じる。
未知の拒絶、新奇な発見、継続的な学習を調査する。
これは研究者がそれぞれの分野でより強力なAIシステムを構築するのを助けることを目的としている。
論文 参考訳（メタデータ） (2024-03-04T06:25:26Z) - Towards a Causal Probabilistic Framework for Prediction,
Action-Selection & Explanations for Robot Block-Stacking Tasks [4.244706520140677]
因果モデル(英: Causal model)は、ロボットの環境との相互作用を管理する因果関係の形式的知識を符号化する原則的な枠組みを提供する。
本研究では,物理シミュレーション機能を構造因果モデルに組み込むことで,ロボットがブロックスタッキングタスクの現況を認識・評価できる新しい因果確率的枠組みを提案する。
論文 参考訳（メタデータ） (2023-08-11T15:58:15Z)
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。