从真实世界到逻辑再返回：为长时域机器人规划学习可泛化的关系概念
机器人学
2025-10-07 v6 人工智能
摘要
机器人在从有限经验中泛化的能力上仍落后于人类，特别是在将学到的行为迁移到未见环境中的长时域任务时。我们提出了第一种方法，使机器人能够直接从少量原始、未分割、未标注的演示中自主发明符号化的关系概念。从这些概念中，机器人学习基于逻辑的世界模型，支持对复杂度远超训练任务的任务进行零样本泛化。我们的框架实现了与手工设计的符号模型相当的性能，同时扩展到远超训练的执行时域，并处理比学习过程中所见多18倍的对象。结果表明，该框架能够从原始机器人经验中自主获取可迁移的符号抽象，有助于开发可解释、可扩展和可泛化的机器人规划系统。项目网站和代码：https://aair-lab.github.io/r2l-lamp。
引用
@article{arxiv.2402.11871,
title = {From Real World to Logic and Back: Learning Generalizable Relational Concepts For Long Horizon Robot Planning},
author = {Naman Shah and Jayesh Nagpal and Siddharth Srivastava},
journal= {arXiv preprint arXiv:2402.11871},
year = {2025}
}