VisualPredicator: 使用神经符号谓词学习抽象世界模型进行机器人规划

arXiv 24.10 2024 42.5 method

TLDR

提出神经符号谓词用于学习抽象世界模型，提升机器人规划中的样本效率、泛化能力和可解释性。

评分理由

The paper presents a novel neuro-symbolic approach for abstract world models, with strong empirical results across simulated domains. However, it lacks real-world experiments and does not address several related keywords like generative or video world models.

Read-first 评分解释

综合优先阅读分 42.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 23。

近期性 8%

75.1

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2024

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、结果

主题相关性 42%

32.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

研究版图角色

候选论文

排序敏感性

稳定性：volatile；排名波动范围：227。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

interactive world model

world simulator

generative world model

video world model

深度分析

创新点

神经符号谓词作为一种一阶抽象语言，结合了符号和神经知识表示
用于发明这些谓词并学习机器人规划抽象世界模型的在线算法

方法

本文提出了神经符号谓词，这是一种整合符号和神经知识的一阶抽象语言。引入了一种在线算法来发明这些谓词并学习抽象世界模型。该方法在五个模拟机器人领域上，针对分布内和分布外任务，与分层强化学习、视觉语言模型规划和符号谓词发明进行了比较评估。

关键结果

与基线方法相比，所提出的方法展示了更好的样本复杂度、更强的分布外泛化能力和改进的可解释性。

资源

论文