快速突破任务瓶颈：面向开放世界机器人的自适应神经符号学习
Breaking Task Impasses Quickly: Adaptive Neuro-Symbolic Learning for Open-World Robotics
AI总结：
本文提出了一种自适应神经符号学习框架，通过整合符号学习与强化学习，提升机器人在开放世界中的快速适应能力与鲁棒性。
摘要：
在开放世界环境中适应突如其来的新颖性仍然是自主系统面临的主要挑战。尽管混合规划和强化学习（RL）方法显示出前景，但它们常常遭受样本效率低、适应缓慢和灾难性遗忘的问题。我们提出了一种神经符号框架，整合了分层抽象、任务和运动规划（TAMP）以及强化学习，以在机器人领域实现快速适应。我们的架构结合了符号目标导向学习和基于世界模型的探索，以促进对环境变化的快速适应。在机器人操作和自动驾驶中得到验证，我们的方法在收敛速度、样本效率和鲁棒性方面优于最先进的混合方法，展示了其在现实世界部署中的潜力。
英文摘要：
Adapting to unforeseen novelties in open-world environments remains a major challenge for autonomous systems. While hybrid planning and reinforcement learning (RL) approaches show promise, they often suffer from sample inefficiency, slow adaptation, and catastrophic forgetting. We present a neuro-symbolic framework integrating hierarchical abstractions, task and motion planning (TAMP), and reinforcement learning to enable rapid adaptation in robotics. Our architecture combines symbolic goal-oriented learning and world model-based exploration to facilitate rapid adaptation to environmental changes. Validated in robotic manipulation and autonomous driving, our approach achieves faster convergence, improved sample efficiency, and superior robustness over state-of-the-art hybrid methods, demonstrating its potential for real-world deployment.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
