論文の概要: Generative Flow on Symbolic Abstractions for Embodiment Capability Discovery
- arxiv url: http://arxiv.org/abs/2610.17174v1
- Date: Mon, 12 Oct 2026 17:46:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.431085
- Title: Generative Flow on Symbolic Abstractions for Embodiment Capability Discovery
- Title（参考訳）: シンボル的抽象化による身体機能発見のための生成フロー
- Abstract要約: Generative Flow on Symbolic Abstractions (FOSA) は、接地されたタスクジェネレータを学習することで、エンボディメント固有の機能を発見するためのフレームワークである。
FOSAは抽象的なポリシーを、象徴的なタスクスケルトンを構成する生成フローネットワークとしてパラメータ化している。
発見されたタスクポリシーを単一の言語条件のポリシーに蒸留した後、FOSAは目に見えない複雑で長期のタスクのパフォーマンスを改善する。
- 参考スコア（独自算出の注目度）: 9.625436987364909
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving complex, long-horizon robot behavior remains challenging because successful execution depends on skills grounded in a robot's physical affordances. Existing training-task distributions are often handcrafted or sampled from large language models (LLMs), relying on semantic plausibility rather than embodiment-specific feasibility. This mismatch can produce curricula that are too difficult, redundant, or blind to non-obvious but learnable behaviors. We propose Generative Flow on Symbolic Abstractions (FOSA), a framework for discovering embodiment-specific capabilities by learning a grounded task generator. FOSA parameterizes an abstract policy as a Generative Flow Network that constructs symbolic task skeletons. Each skeleton is compiled into a simulation environment, where low-level policy-learning performance provides the reward signal for the abstract policy. Across heterogeneous robot platforms, FOSA discovers diverse and executable tasks near the robot's empirical capability frontier. After distilling the discovered task policies into a single language-conditioned policy, FOSA improves performance on unseen complex and long-horizon tasks. The code and demonstration videos are available at https://www.youwei-yu.com/fosa.
- Abstract（参考訳）: 複雑なロングホライゾンロボットの動作を達成することは、ロボットの身体能力に根ざしたスキルに依存しているため、依然として困難なままである。
既存のトレーニングタスクの分布は、しばしば大きな言語モデル(LLM)から手作りまたはサンプリングされる。
このミスマッチは、難しすぎる、冗長すぎる、あるいは目立たないが学習可能な振る舞いに盲目なキュリキュラを生成することができる。
提案するFOSA(Generative Flow on Symbolic Abstractions)は,接地型タスクジェネレータを学習することで,具体化固有の機能を発見するためのフレームワークである。
FOSAは抽象的なポリシーを、象徴的なタスクスケルトンを構成する生成フローネットワークとしてパラメータ化している。
各骨格はシミュレーション環境にコンパイルされ、低レベルのポリシー学習性能が抽象ポリシーの報酬信号を提供する。
不均一なロボットプラットフォーム全体で、FOSAはロボットの実証能力フロンティア付近で多種多様な実行可能なタスクを発見する。
発見されたタスクポリシーを単一の言語条件のポリシーに蒸留した後、FOSAは目に見えない複雑で長期のタスクのパフォーマンスを改善する。
コードとデモビデオはhttps://www.youwei-yu.com/fosa.comで公開されている。
関連論文リスト
- In-context Robot Learning Made Simple: A Democratized Recipe for Manipulation Tasks [26.59574971924728]
我々は、ロボットが視覚的なデモンストレーションからタスクを推論し実行できるようにする新しいパラダイムである、ロボット・イン・コンテキスト・ラーニング(ICL)について研究する。
まず,学習対象を明確に定義したロボットICLの明確な問題定義を提案する。
我々は,ビジュアルプロンプトエンコーダと低コストなデータ収集プロトコルを備えた,最小限かつ再現可能なICLフレームワークを開発した。
論文 参考訳（メタデータ） (2026-09-29T17:59:45Z) - Learning Compositional Symbolic Task Rules from Demonstrations with Inductive Logic Programming [0.0]
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。
論文 参考訳（メタデータ） (2026-05-26T10:45:29Z) - Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。
物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。
ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
論文 参考訳（メタデータ） (2026-01-13T23:36:30Z) - 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) - Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。
異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。
我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
論文 参考訳（メタデータ） (2025-10-30T18:24:38Z) - Grounding Language Plans in Demonstrations Through Counterfactual Perturbations [25.19071357445557]
物理領域におけるLarge Language Models(LLM)の常識的推論は、具体化されたAIにとって重要な問題でありながら未解決である。
提案手法は,2次元ナビゲーションによる模倣学習の解釈性と反応性を向上し,シミュレーションおよび実ロボット操作タスクを実現する。
論文 参考訳（メタデータ） (2024-03-25T19:04:59Z) - 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) - SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution [75.2573501625811]
拡散モデルは、ロボット軌道計画の強力な可能性を示している。
高レベルの命令からコヒーレントな軌道を生成することは依然として困難である。
エンド・ツー・エンドの階層的計画フレームワークであるSkillDiffuserを提案する。
論文 参考訳（メタデータ） (2023-12-18T18:16:52Z) - 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)
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。