NeSyC：用于开放域复杂具身任务的神经符号持续学习器
人工智能
2025-03-10 v2
摘要
我们探索了神经符号方法，以实现可操作知识的泛化，使具身智能体能够更有效地应对开放域环境中的复杂任务。具身智能体的一个关键挑战是跨越不同环境和情境进行知识泛化，因为受限的经验常使其局限于已有知识。为此，我们引入了一种新型框架，NeSyC，即一种神经符号持续学习器，通过结合大型语言模型（LLM）和符号工具，模拟假设-演绎模型，不断从有限经验中构建和验证知识。具体而言，我们在 NeSyC 内部设计了一种对比普适性提升方案，该方案使用 LLM 生成假设，并通过符号工具进行对比验证。该方案强化了可接受动作的依据，同时最小化对不可接受动作的推断。此外，我们引入基于记忆的监控方案，高效检测动作错误并触发跨域的知识细化过程。在包括 ALFWorld、VirtualHome、Minecraft、RLBench 以及真实世界机器人场景在内的多样化具身任务基准实验表明，NeSyC 在多种开放域环境中解决复杂具身任务的效果极佳。
引用
@article{arxiv.2503.00870,
title = {NeSyC: A Neuro-symbolic Continual Learner For Complex Embodied Tasks In Open Domains},
author = {Wonje Choi and Jinwoo Park and Sanghyun Ahn and Daehee Lee and Honguk Woo},
journal= {arXiv preprint arXiv:2503.00870},
year = {2025}
}
备注
Accepted at ICLR 2025. Project site with code: https://pjw971022.github.io/nesyc/