40/40全解！可微神经符号框架让感知规划成功率飙至83%
A Fully Differentiable Neuro-Soft-Symbolic Framework for Perceptual Task Planning
📖 AI 总结
该研究提出一种完全可微的神经—软符号框架，用于感知任务规划，旨在同时应对不确定场景感知与符合逻辑规则的动作序列规划两大挑战。传统方法将感知结果离散化为符号事实后再规划，既丢失感知不确定性，也切断了任务层反馈对感知的调节。该框架在单一计算图中连接视觉感知与任务规划，维护连续软符号状态，将领域规则提升为可微的软TP转移算子，并在短规划时域内优化动作logits，使规划目标的梯度能够反向更新感知参数，从而在规划过程中细化任务相关的感知表征。在Blocksworld上，该方法解决LatPlan-40全部40项任务及PlanBench-600中的596项，优于LatPlan的33/40和推理模型基线的587/600，且计算量与耗时显著更低；感知不确定性消融实验中，成功率由冻结感知的59%提升至83%。研究还开展任务与运动仿真，验证了解码任务计划与下游机器人运动执行的兼容性。
🔑 关键词速览
| 神经-软符号框架 | 一种结合神经网络与软符号表示的规划框架，用连续向量而非离散符号表示状态，以保留感知不确定性并支持端到端可微学习。 |
| 软符号状态 | 对传统离散符号状态的连续化表示，每个符号事实对应一个概率或软真值，从而允许梯度传播和不确定性建模。 |
| 软-$T_P$转移算子 | 将经典规划中的$T_P$算子（基于逻辑规则的状态转移函数）推广为可微形式，使其能作用于软符号状态并支持反向传播。 |
| 感知不确定性 | 视觉感知中由于噪声、遮挡等因素导致的对场景理解的不确定程度，传统符号化方法通常会丢弃这一信息。 |
| 任务与运动规划 | 结合高层任务规划（如动作序列）与低层运动规划（如机器人关节轨迹）的联合规划问题，确保任务计划可被机器人实际执行。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅