核心概念
ロボットは、タスク実行中に発生する失敗を正確に検出し、適切な回復策を迅速に生成する必要がある。本研究では、オントロジーと論理ルールを活用し、大規模言語モデルを補完することで、オンラインでの失敗検出と回復を実現する。
要約
本研究では、ニューロシンボリックフレームワーク「Recover」を提案する。Recoverは、タスク実行中の失敗を効率的に検出し、適切な回復策を生成する。
オントロジーとルールベースの推論を活用し、大規模言語モデルの欠点を補完する。具体的には以下の通り:
オントロジーとルールを用いて、タスク実行中の各ステップで失敗の有無を正確に検出する。
失敗が検出された場合、オントロジーに格納された回復戦略に基づき、大規模言語モデルを活用して新しい回復計画を生成する。
回復計画に従ってタスクを再開し、完了させる。
このアプローチにより、オフラインでの計画リセットや、大規模言語モデルの過剰な使用を回避できる。また、シンボリック知識の活用により、失敗の原因分析や回復過程の説明が可能となる。
実験では、AI2Thorシミュレータ上の12種類のキッチンタスクを対象に評価を行った。結果、Recoverは100%の失敗検出率を達成し、70%の回復率を示した。また、大規模言語モデルのみを使用する手法と比較して、コスト面でも大幅な削減を実現した。
統計
失敗検出率は100%
回復率は70%
大規模言語モデルのみを使用する手法と比較して、コストを大幅に削減