Çok nesneli çizge sembol ağı: Öğrenilmiş bileşik nesne sembolleri aracılığıyla hedef odaklı planlama

Robotikte nesnelerin otonom montajı ve demontajı genellikle politika öğrenme yöntemlerine ve sembolik planlayıcılara dayanır. Ancak bu yaklaşımlar, genellemeyi sınırlayan büyük miktarda veri ve uzman tanımlı sembollere duyulan ihtiyaç gibi önemli zorluklarla karşı karşıyadır. Çevre tarafından sağlanan potansiyel eylemleri ifade eden olanaklar kavramı, aktif keşif açısından robotik alanında yaygın olarak çalışılmış ve gözetim ihtiyacını çözmüştür. Benzer şekilde, üst düzey sembol keşfi, üst düzey görevler için sembolleri öğrenmek ve sembolik planlayıcılara dönüştürmek için kapsamlı bir şekilde çalışılmıştır. Tek veya eşleştirilmiş nesne etkileşimlerine odaklanan önceki çalışmaların aksine, çalışmamız çeşitli boyutlara sahip bileşik nesnelerin olanaklarını ve sembollerini ele almaktadır. Çalışmamız iki yeni model önermektedir: bileşik nesnelerin olanaklarını öğrenmek için Çok Nesneli Çizge Uygunluk Ağı (MOGAN) ve etki tahminleri yoluyla tek ve bileşik nesnelerin sembollerini keşfetmek için Çok Nesneli Çizge Sembol Ağı (MOGSN). Bileşikleri grafikler olarak temsil ederek, uzamsal ilişkileri koruyor ve bilgiyi etkili bir şekilde yayarak karmaşık yapıların olanaklarının ve sembollerinin tahmin edilmesini sağlıyoruz. Bu yapıların ve ilişkilerinin temsillerini öğrenmek için Çizge Sinir Ağları (GNN'ler) kullanılmaktadır. Sonuçlarımız önerilen modellerin etkinliğini göstermektedir. MOGAN ve MOGSN, dışbükey ve içbükey nesneleri içeren görevler üzerinde test edilmiş ve başarılı uygunluk öğrenimi ve sembol keşfi göstermiştir. MOGAN modeli hem simülasyon hem de gerçek dünya ortamlarında başarılı plan üretimi ile doğrulanmıştır. MOGSN modeli, bileşik nesnelerde anlamlı sembollerin ortaya çıktığını ve başarılı sembolik planlamalara yol açtığını göstermiştir.