May, 2021

学习神经符号关系转换模型用于双层规划

PDF
TL;DR本研究提出了一种新型模型 NSRTs，它具有符号和神经组件，在很少的训练次数后就可以用于快速规划，并可以泛化到更多的物体和行为，具有数据高效的特点。
neuro-symbolic relational transition modelscontinuous state spacescontinuous action spacesrobotic planningdata-efficient
发现论文，激发创造
  • 学习神经符号技能以进行双层规划

    本研究中，通过将符号操作和神经采样器与参数化策略相结合，将它们打包成模块化的神经符号技能，并将其顺序化组合为搜索 - 采样二层任务和动作规划来解决新任务。在四个机器人领域的实验中，展示了具有神经符号技能的二层规划策略能够解决各种具有不同初始状态、目标和对象的任务，优于六个基线和消融。

    Jun, 2022

  • 新环境下的快速任务解决

    在未知环境中提出了快速任务解决的挑战，引入了两个具有挑战性的任务领域进行研究，发现深度强化学习算法无法在其中表现出色，提出了一种名为 EPN 的新模型优于深度强化学习算法.

    Jun, 2020

  • 全面神经符号视觉强化学习与语言解释

    该研究介绍了一种神经符号强化学习（Neuro-symbolic reinforcement learning，NS-RL）的框架，通过将视觉基础模型精简为可扩展的感知模块，可以同时学习结构化状态和符号策略，并使用大型语言模型生成简明易读的策略和决策解释，实验结果显示在九个 Atari 任务中，该方法相比现有的 NS-RL 方法获得显著的性能提升，并展示了策略和决策的解释。

    Mar, 2024

  • 基于体验的关系状态抽象双层规划的主动学习

    以对象为基础的环境中，提出一种基于在线互动的积极学习方法，用于自动学习谓词的诠释和符号规划的运算符，并使用这种方法来实现在机器人环境中的状态抽象和路径规划。

    Mar, 2023

  • 基于图神经网络的符号关系深度强化学习

    通过图神经网络和自回归策略分解，构建了一个深度强化学习框架，在多样化场景下表现出了出色的竞争能力和卓越的零 - shot 泛化能力.

    Sep, 2020

  • 神经符号强化学习与规划：综述

    本文通过进行文献调查，以三个构成神经符号强化学习的组件为重点（神经网络、符号和强化学习），将研究作品进行分类，并分析其强化学习部分的组成。同时，发现了该领域中的研究机会和挑战。

    Sep, 2023

  • 克服双层规划中操作学习中预测误差的陷阱

    本文提出了一种在抽象环境上进行高层次搜索以指导低层次决策的双层规划方法，并使用符号操作和神经采样器学习操作和转换模型缩影，以实现连续状态和动作空间中长视野任务的有效求解。该文通过具有挑战性的 BEHAVIOR-100 基准中的 10 个不同混合机器人领域的实验表明，我们的方法可以学习到导致有效规划的操作，并且可以推广到新的初始状态，目标和对象上。

    Aug, 2022

  • 双层规划的谓词发现

    本文提出了一种从示例中学习抽象谓词的算法，通过优化可行但准确的替代目标，通过一组语法中提取的谓词集合进行爬山搜索，实验结果表明，我们的学习抽象能够快速解决悬而未决的任务，并优于六种基线。

    Mar, 2022

  • 机器人操作中学习从计划执行错误中恢复的神经符号方法

    自动检测和恢复机器人故障是一个重要而具有挑战性的问题。我们提出了一种将学习与符号搜索相结合的方法，用于自动化的错误发现和恢复，无需故障的注释数据。我们的方法的核心是一种神经符号化状态表示，通过环境中存在的对象构建稠密场景图形的形式进行结构化。这使得我们能够高效地学习过渡函数和鉴别器，不仅可以识别故障，而且还可以定位故障，从而通过计算启发式距离函数实现快速重新规划。我们还提出了我们算法的任意版本，在重新规划预算范围内寻找原始计划中的子目标，以最小化到目标的总距离。在物理模拟器上进行了一系列模拟故障的实验，与现有基线相比，我们的方法在效率和恢复机制的准确性方面表现出良好的效果。

    May, 2024

  • 学习任务和动作规划的符号运算符

    研究了 TAMP 中的运算符学习问题，提出了一种自下而上的关系学习方法来学习运算符，并将其应用于机器人规划中。实验结果表明，该方法在三个领域中的性能明显优于几个基线，包括最近文献中基于图神经网络的三种无模型方法。

    Feb, 2021