用于双层规划的学习型神经符号关系转移模型
人工智能
2022-07-04 v3 机器学习
机器人学
摘要
在机器人领域中，学习与规划因连续状态空间、连续动作空间以及长任务周期而变得复杂。在这项工作中，我们通过神经符号关系转移模型（NSRTs）来应对这些挑战，这是一类新颖的模型，具有数据高效的学习能力、与强大机器人规划方法的兼容性，以及对物体的可泛化性。NSRTs 同时具有符号与神经组件，实现了一种双层规划方案：外层循环中的符号 AI 规划引导内层循环中使用神经模型的连续规划。在四个机器人规划领域中的实验表明，NSRTs 仅需数十或数百个训练回合即可被学习，随后可用于需要多达 60 个动作且涉及比训练时所见更多物体的新任务中的快速规划。视频：https://tinyurl.com/chitnis-nsrts
引用
@article{arxiv.2105.14074,
title = {Learning Neuro-Symbolic Relational Transition Models for Bilevel Planning},
author = {Rohan Chitnis and Tom Silver and Joshua B. Tenenbaum and Tomas Lozano-Perez and Leslie Pack Kaelbling},
journal= {arXiv preprint arXiv:2105.14074},
year = {2022}
}
备注
IROS 2022 final version