Aprendizaje Imperativo: Un Marco de Aprendizaje Neural-Simbólico Auto-supervisado para la Autonomía Robótica

Los métodos impulsados por datos, como el aprendizaje por refuerzo y el aprendizaje por imitación, han logrado un éxito notable en la autonomía robótica. Sin embargo, su naturaleza centrada en los datos aún les impide generalizar bien a entornos en constante cambio. Además, recolectar grandes conjuntos de datos para tareas robóticas suele ser impráctico y costoso. Para superar estos desafíos, introducimos un nuevo marco computacional neural-simbólico auto-supervisado (NeSy), el aprendizaje imperativo (IL), para la autonomía robótica, aprovechando las habilidades de generalización del razonamiento simbólico. El marco de IL consta de tres componentes principales: un módulo neural, un motor de razonamiento y un sistema de memoria. Formularizamos IL como una optimización bilevel especial (BLO), que permite el aprendizaje recíproco entre los tres módulos. Esto supera los obstáculos intensivos en etiquetas asociados con los enfoques impulsados por datos y aprovecha el razonamiento simbólico en relación con el razonamiento lógico, principios físicos, análisis geométrico, etc. Discutimos varias técnicas de optimización para IL y verificamos su efectividad en cinco tareas distintas de autonomía robótica, incluyendo planificación de rutas, inducción de reglas, control óptimo, odometría visual y enrutamiento multi-robótico. A través de varios experimentos, mostramos que IL puede mejorar significativamente las capacidades de autonomía robótica y anticipamos que catalizará más investigaciones en diversos dominios.