論文の概要: Linear Temporal Logic Translation via Human-Inspired Self-Constrained Reasoning for Robot Task Specification
- arxiv url: http://arxiv.org/abs/2608.28435v1
- Date: Fri, 28 Aug 2026 15:18:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.379495
- Title: Linear Temporal Logic Translation via Human-Inspired Self-Constrained Reasoning for Robot Task Specification
- Title（参考訳）: ロボットタスク仕様のためのヒューマンインスパイアされた自己拘束型推論による線形時間論理変換
- Abstract要約: 人間の指示を正式なタスク仕様に翻訳することは、検証可能で安全なロボット実行に不可欠である。
既存の翻訳者は、オープンエンドの推論やポストホックの制約執行を通じて、このギャップを埋めようとしている。
本稿では、構造的知識をモデル決定プロセスに内在させることにより、このトレードオフを緩和するフレームワークである自己制約推論(SCR)を提案する。
- 参考スコア（独自算出の注目度）: 11.09194221294896
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Many robotic tasks are temporally extended and demand precise specifications of subgoals, constraints, and their temporal ordering. Yet human operators typically communicate such tasks in natural language, which is inherently ambiguous, underspecified, and context dependent. Translating human instructions into formal task specifications, such as Linear Temporal Logic (LTL), is therefore essential for verifiable and safe robotic execution. Existing LLM-based translators attempt to bridge this gap through open-ended reasoning or post-hoc constraint enforcement, but the former may violate domain constraints, whereas the latter can disrupt the reasoning needed for novel instructions. This paper proposes Self-Constrained Reasoning (SCR), a framework that mitigates this trade-off by internalizing structural knowledge into the model's decision-making process rather than imposing it as an external filter. By combining a structural constraint representation with a hierarchical decision-making formulation, SCR guides reasoning within a formally grounded space while preserving adaptability to unseen instructions. Experiments show that SCR improves both domain-constraint satisfaction and generalization, providing an effective and interpretable approach for translating human intent into verifiable specifications for robotic execution.
- Abstract（参考訳）: 多くのロボットタスクは時間的に拡張され、サブゴール、制約、時間的順序の正確な仕様が要求される。
しかし、人間のオペレータは通常、自然言語でそのようなタスクを伝達するが、それは本質的に曖昧で、不明確で、文脈に依存している。
人間の指示をLTL(Linear Temporal Logic)のような形式的なタスク仕様に翻訳することは、検証可能で安全なロボット実行に不可欠である。
既存のLLMベースの翻訳者は、オープンエンド推論やポストホック制約によってこのギャップを埋めようとするが、前者はドメイン制約に違反し、後者は新規な命令に必要な推論を妨害する可能性がある。
本稿では、構造的知識を外部フィルタとして適用するのではなく、モデルの決定過程に内在させることにより、このトレードオフを緩和するフレームワークである自己制約推論(SCR)を提案する。
構造的制約表現と階層的意思決定の定式化を組み合わせることで、SCRは、未知の命令への適応性を保ちながら、公式な接地空間内での推論をガイドする。
実験により、SCRはドメイン制約満足度と一般化の両方を改善し、人間の意図をロボット実行の検証可能な仕様に翻訳するための効果的かつ解釈可能なアプローチを提供することが示された。
関連論文リスト
- RoBoSR: Structured Scene Representations for Embodied Robotic Reasoning [14.955041656490849]
ステップワイズ状態遷移として操作を定式化する中間構造表現であるRoBoSRを導入する。
物体の状態とその空間的関係を知覚作用インタフェースでモデル化することにより、RoBoSRは生の入力から高レベルなタスク推論を解き放つ。
我々は、シーン理解、命令解釈、サブタスク計画を共同で監督するオープンワールドデータセットであるManip-Cognition-1.6Mを構築した。
論文 参考訳（メタデータ） (2026-06-23T09:24:52Z) - Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。
本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-28T02:12:41Z) - ReasonSTL: Bridging Natural Language and Signal Temporal Logic via Tool-Augmented Process-Rewarded Learning [5.961092142323502]
textscReasonSTLは、自然言語からSTL生成にローカルのオープンソース言語モデルを適用するツール拡張フレームワークである。
textscReasonSTLは、翻訳プロセスを明示的な推論、決定論的ツール呼び出し、構造化された公式構成に分解する。
実験により、textscReasonSTLでトレーニングされた4Bモデルは、自動測定と人的評価の両方で最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2026-05-07T16:07:30Z) - AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models [65.97075015662318]
AdapTimeは適応的な時間的推論手法であり、入力コンテキストに基づいて推論ステップを動的に実行する。
最先端のLCMとシームレスに統合され、外部サポートに頼ることなく、時間的推論能力を大幅に向上する。
論文 参考訳（メタデータ） (2026-04-27T08:34:40Z) - Learning and Enforcing Context-Sensitive Control for LLMs [48.58004364546273]
本稿では,大規模言語モデルの相互作用から文脈依存制約を自動的に学習するフレームワークを提案する。
実験により,本手法は,LLM (1Bパラメータ) の学習と生成を完全制約付きで行うことができることを示した。
論文 参考訳（メタデータ） (2026-04-12T14:50:03Z) - RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。
実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。
MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
論文 参考訳（メタデータ） (2026-04-09T03:40:46Z) - LTLGuard: Formalizing LTL Specifications with Compact Language Models and Lightweight Symbolic Reasoning [2.365021420497964]
自然言語のあいまいさと可変性(NL)のため、非公式な要件を形式的な仕様に翻訳することは困難である
本研究では,資源効率の高いオープンウェイトモデルにより,非公式な要件から適切な時間論理(LTL)仕様を生成することに焦点を当てる。
現在Guardは、制約付き生成とフォーマルな一貫性チェックを組み合わせたモジュラーツールチェーンで、非公式な入力からコンフリクトフリー仕様を生成する。
論文 参考訳（メタデータ） (2026-03-05T22:34:45Z) - PARCER as an Operational Contract to Reduce Variance, Cost, and Risk in LLM Systems [0.0]
本稿では,これらの制限に対する工学的対応としてPARCERを提案する。
このフレームワークはYAMLの宣言的な"運用契約"として機能し、インタラクションをバージョン付きおよび実行可能なアーティファクトに変換する。
本研究の目的は、PARCERの概念的および技術的アーキテクチャを提示することであり、シンプルな「プロンプトエンジニアリング」から「統制可能なガバナンスを伴うコンテキストエンジニアリング」へ、必要な移行として位置づけることである。
論文 参考訳（メタデータ） (2026-03-01T01:11:53Z) - Zero-Shot Instruction Following in RL via Structured LTL Representations [50.41415009303967]
マルチタスク強化学習では、エージェントが訓練中に見えない新しいタスクをゼロショットで実行しなければならない。
この設定では、最近、時間的に拡張された構造化タスクを特定するための強力なフレームワークとして線形時間論理が採用されている。
既存のアプローチはジェネラリストの政策を訓練することに成功しているが、仕様に固有のリッチな論理的・時間的構造を効果的に捉えるのに苦労することが多い。
論文 参考訳（メタデータ） (2026-02-15T23:22:50Z) - From Literal to Liberal: A Meta-Prompting Framework for Eliciting Human-Aligned Exception Handling in Large Language Models [0.3946915822335988]
エージェントAIシステムの推論エンジンとして,大規模言語モデル(LLM)がますます普及している。
明確な規則に固執し、人間の常識や意図に反する決定を下す。
本稿では,LLMにおけるヒューマンアラインな例外処理をゼロショット方式で導入するルール・インテント・ディチネンション(RID)フレームワークを紹介する。
論文 参考訳（メタデータ） (2025-10-14T16:42:52Z) - Tuning-Free Accountable Intervention for LLM Deployment -- A
Metacognitive Approach [55.613461060997004]
大規模言語モデル(LLM)は、自然言語処理タスクの幅広い領域にわたる変換的進歩を触媒している。
我々は,自己認識型誤り識別と訂正機能を備えたLLMを実現するために,textbfCLEARと呼ばれる革新的なテキストメタ認知手法を提案する。
論文 参考訳（メタデータ） (2024-03-08T19:18:53Z) - A Persistent Spatial Semantic Representation for High-level Natural
Language Instruction Execution [54.385344986265714]
本稿では,言語行動とロボット行動のギャップを埋めるために,永続的な空間意味表現法を提案する。
一般的なステップバイステップ命令を完全に回避しながら、ALFREDベンチマークに対する我々のアプローチを評価し、最先端の結果を得る。
論文 参考訳（メタデータ） (2021-07-12T17:47:19Z)
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。