Recover：用于故障检测与恢复的神经符号框架
人工智能
2024-04-02 v1 机器学习
计算机科学中的逻辑
机器人学
摘要
在机器人技术中，识别任务执行过程中的故障并实施恢复程序是一项挑战。传统方法依赖于大量数据或严格的约束集，而较新的方法则利用大语言模型（LLM）来验证任务步骤并相应地重新规划。然而，这些方法通常在离线状态下运行，需要重置场景并产生高昂的成本。本文介绍了 Recover，一个用于在线故障识别与恢复的神经符号框架。通过集成本体、逻辑规则和基于 LLM 的规划器，Recover 利用符号信息来增强 LLM 生成恢复计划的能力，并降低相关成本。为了在模拟厨房环境中展示我们方法的能力，我们引入了 OntoThor，一个描述 AI2Thor 模拟器设置的本体。实证评估表明，OntoThor 的逻辑规则能准确检测所分析任务中的所有故障，并且在故障检测和恢复两方面，Recover 均显著优于仅依赖 LLM 的基线方法。
引用
@article{arxiv.2404.00756,
title = {Recover: A Neuro-Symbolic Framework for Failure Detection and Recovery},
author = {Cristina Cornelio and Mohammed Diab},
journal= {arXiv preprint arXiv:2404.00756},
year = {2024}
}