面向零样本泛化的子符号 RL 环境中 LTL 任务的 grounding
机器学习
2026-02-11 v1 人工智能
摘要
本文解决训练强化学习智能体以跟随线性时序逻辑中多个时延长指令的任务问题，在子符号环境中。以往的多任务工作主要依赖于原始观察与公式中符号出现映射的知识。我们放弃这种不现实的假设，通过在相同经验下联合训练多任务策略和符号 grounding 模块。符号 grounding 模块仅通过原始观察和稀疏奖励通过神经奖励机器进行半监督式训练。在基于视觉的环境中实验表明，我们的方法在使用真实符号 grounding 性能相当，并显著优于子符号环境的前沿方法。
引用
@article{arxiv.2602.09761,
title = {Grounding LTL Tasks in Sub-Symbolic RL Environments for Zero-Shot Generalization},
author = {Matteo Pannacci and Andrea Fanti and Elena Umili and Roberto Capobianco},
journal= {arXiv preprint arXiv:2602.09761},
year = {2026}
}
备注
Preprint currently under review