💻 computer science

Learning Compositional Symbolic Task Rules from Demonstrations with Inductive Logic Programming

본 논문은 합성 블록 조립 환경에서 복잡하고 미지의 시나리오에 대한 강력한 일반화 능력을 입증하는 다중 추상화 수준에 걸쳐 해석 가능하고 재사용 가능한 심볼릭 작업 규칙을 추론하는 시연 기반 학습을 위한 분해된 귀납적 논리 프로그래밍 접근법을 제안한다.

원저자: Oleh Borys, Karla Stepanova

게시일 2026-05-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Oleh Borys, Karla Stepanova

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

로봇에게 블록으로 탑을 쌓는 법을 가르친다고 상상해 보세요. 오늘날의 대부분의 로봇은 앵무새와 같습니다. 당신이 빨간 블록을 쌓고 그 다음 파란 블록을 쌓는 영상을 보여주면, 그들은 정확한 동작을 그대로 따라 하려고 합니다. 하지만 초록색 블록을 주거나 더 높은 탑을 쌓으라고 요청하면 그들은 혼란에 빠집니다. 왜냐하면 그들은 규칙이 아니라 오직 동작만 외웠기 때문입니다.

이 논문은 다른 접근법을 제안합니다. 저자들은 로봇에게 팔을 어떻게 움직일지 가르치는 대신, **귀납적 논리 프로그래밍 (Inductive Logic Programming, ILP)**이라는 방법을 사용하여 게임의 규칙이 무엇인지 가르칩니다. 이는 로봇에게 단순히 '사투리'를 가르치는 것이 아니라, 과제의 '문법'을 가르치는 것과 같습니다.

다음은 그들의 시스템이 작동하는 방식을 간단한 개념으로 분해한 것입니다:

1. "레고 마스터" 비유

특정 유형의 탑을 만드는 법을 아이에게 가르치고 싶다고 가정해 봅시다.

옛 방식 (표준 학습): 당신은 아이의 손을 잡고 손가락을 움직여 블록을 쌓게 합니다. 아이는 근육 기억을 학습합니다. 블록을 바꾸면 실패할 수 있습니다.
이 논문의 방식 (ILP): 당신은 아이를 앉혀놓고 규칙을 설명합니다. "빨간 블록은 아래에, 파란 블록은 중간에, 초록 블록은 위에 놓습니다. 중앙 위치 옆으로만 탑을 쌓을 수 있습니다." 아이가 이러한 규칙을 이해하면, 논리를 따르는 한 어떤 블록으로든, 어떤 위치에서든 탑을 쌓을 수 있습니다.

2. 큰 과제를 작은 퍼즐로 나누기

저자들은 로봇에게 모든 규칙을 한 번에 가르치려 하는 것은 전체 그림을 한 번에 보며 거대한 퍼즐을 풀려는 것과 같다는 점을 깨달았습니다. 너무 압도적입니다.

대신, 그들은 과제를 세 가지 더 작고 쉬운 퍼즐 (추상화 수준) 로 분해합니다:

수준 1 (재료): 먼저 로봇은 어떤 재료가 어디에 가야 하는지 학습합니다. "돌은 아래에, 벽돌은 중간에." 이는 예시로부터 이 규칙을 학습합니다.
수준 2 (구조): 다음으로 로봇은 방금 학습한 규칙을 사용하여 '탑'이 실제로 무엇인지 이해합니다. 탑은 단순히 서로 위에 쌓인 블록들의 목록임을 학습합니다.
수준 3 (위치): 마지막으로 로봇은 어디에 탑을 쌓을 수 있는지 학습합니다. "중앙 옆에는 쌓을 수 있지만, 대각선에는 쌓을 수 없습니다."

3. "요약 노트" 효과

여기가 교묘한 부분입니다: 로봇이 수준 1 (재료) 의 규칙을 학습하면, 그 규칙을 적어 '요약 노트' (배경 지식) 에 추가합니다. 수준 2 로 넘어갈 때, 재료에 대해 다시 학습할 필요가 없습니다. 요약 노트를 사용할 뿐입니다.

이는 수학 공부를 하는 학생과 같습니다. 먼저 덧셈을 배웁니다. 그 다음 곱셈을 배울 때, 덧셈을 기반으로 활용합니다. 곱셈 문제를 풀 때마다 "2 + 2"가 무엇인지 다시 배울 필요가 없습니다. 이로 인해 학습 과정이 빨라지고 최종 결과물이 훨씬 더 똑똑해집니다.

4. 결과: 일반화

연구자들은 블록을 사용한 컴퓨터 시뮬레이션으로 이를 테스트했습니다.

훈련: 그들은 로봇에게 특정 블록을 사용하여 높이 2 와 3 의 탑을 쌓는 법을 보여주었습니다.
테스트: 그 다음 로봇에게 더 어려운 과제를 주었습니다. 훈련 중에는 본 적이 없는 새로운 유형의 블록 (나무) 을 사용하여 높이 4 의 탑을 쌓고, 훈련 중에는 막혀 있던 새로운 위치에서 쌓아보라는 것이었습니다.

로봇이 동작을 단순히 복사하는 것이 아니라 논리(규칙) 를 학습했기 때문에 성공했습니다. 로봇은 다음과 같이 파악했습니다. "아, 규칙이 '나무는 위에 놓는다'고 했고, 규칙이 '중앙 옆에 쌓을 수 있다'고 했으니, 나는 이 새로운 탑을 쌓을 수 있구나."

5. 이것이 중요한 이유 (그리고 한계)

좋은 소식:

인간이 읽을 수 있음: 로봇이 학습한 규칙은 간단한 "If-Then" 문장처럼 보입니다 (예: "블록이 돌이라면, 1 단계에 놓는다"). 인간은 이를 읽어서 로봇이 왜 그 결정을 내렸는지 정확히 이해할 수 있습니다.
효율적: 이미 알고 있는 것을 기반으로 학습하므로 학습에 필요한 예시가 적습니다.

단점:

수동 설정: 현재는 여전히 인간이 많은 중추적인 작업을 해야 합니다. 인간은 로봇이 어떤 규칙을 찾아야 하는지, 블록을 어떻게 설명해야 하는지 알려주어야 합니다. 로봇은 아직 완전히 자율적이지 않으며, 무대를 마련해 줄 인간이 필요합니다.
단순한 세계: 이는 블록 분류나 장난감 조립과 같은 이산적이고 명확한 작업에서는 훌륭하게 작동합니다. 하지만 명확히 정의되지 않은 (예: 젖고 미끄러운 테이블과 같은) 복잡하고 현실적인 것들에는 어려움을 겪습니다.

요약

이 논문은 로봇에게 단순히 행동을 외우게 하는 것이 아니라, 과제의 뒤에 숨겨진 논리를 발견하도록 돕는 방법을 제시합니다. 복잡한 작업을 작은 논리적 단계로 나누고, 로봇이 한 단계에서 학습한 것을 다음 단계에 재사용하도록 함으로써, 로봇은 이전에 본 적 없는 새롭고 까다로운 상황을 훨씬 더 잘 처리할 수 있게 됩니다. 이는 로봇의 발을 움직여 춤추는 법을 가르치는 것과, 어떤 노래에도 맞춰 춤출 수 있도록 리듬과 발걸음을 가르치는 것의 차이와 같습니다.

기술적 요약: 귀납적 논리 프로그래밍을 통한 시연으로부터의 구성적 기호 작업 규칙 학습

문제 정의
본 논문은 표준 시연 학습 (LfD) 의 한계를 다룬다. 표준 LfD 에서는 로봇이 종종 작업 수행 방법 (저수준 동작 재현) 만을 학습할 뿐, 근본적인 작업 내용 (고수준 기호 작업 구조) 을 복원하지 못한다. 저자들은 자율성을 높이기 위해서는 작업 표현이 검사 가능하고, 재사용 가능하며, 인간이 해석 가능해야 한다고 주장한다. 핵심 문제는 이산적 조작 영역 (예: 블록 조립) 에서 관찰된 실행으로부터 명시적인 작업 지식을 복원하는 것으로 정의된다. 시스템은 통계적 패턴 매칭을 넘어 논리가 풍부한 규칙을 유도하기 위해, 다양한 추상화 (존재론적) 수준에 걸친 시연 행동을 설명하는 기호 규칙을 추론해야 한다.

방법론
제안된 프레임워크는 최첨단 솔버인 Popper를 사용하여 기호 작업 규칙을 유도하는 **귀납적 논리 프로그래밍 (ILP)**을 활용한다. 이 방법론은 분해된 계층적 학습 접근법을 특징으로 한다:

작업 분해: 단일 작업 프로그램을 학습하는 대신, 복잡한 작업을 서로 다른 추상화 수준에서 더 단순하고 작업 관련 학습 목표 ( $\Psi_{learn} = [\tau_1, \dots, \tau_K]$ ) 의 순차적 시퀀스로 분해한다.
반복적 규칙 유도: 각 목표 술어 $\tau$ $τ$ 에 대해 시스템은 다음과 같이 수행한다:
- 배경 프로그램 $B$ (객체 존재론 및 환경 정의를 포함) 를 사용하여 시연을 추상 상태로 구체화한다.
- 긍정 ( $E^+$ ) 및 부정 ( $E^-$ ) 예시를 추출한다.
- 현재 배경 지식 하에서 데이터를 설명하는 가설 $H_\tau$ (명확한 절 집합) 를 유도하기 위해 Popper 를 사용한다.
지식 재사용: 핵심적으로, 한 목표를 학습한 후 유도된 규칙 ( $H_\tau$ ) 은 배경 지식에 다시 추가된다 ( $B \leftarrow B \cup H_\tau$ ). 이를 통해 후속의 더 높은 수준의 목표들은 이전에 학습된 추상화를 재사용할 수 있다 (예: 학습된 "재료 - 레벨" 매핑을 사용하여 "탑" 개념을 정의).
실행: 테스트 시, Prolog 기반 계획기는 학습된 모든 규칙의 합집합 ( $H = \bigcup H_\tau$ ) 을 사용하여 탐색 공간을 제약한다. 이는 후보 동작 시퀀스를 나열하고 학습된 기호 제약을 위반하는 시퀀스를 제거하여 유효한 픽 앤 플레이스 계획을 생성한다.

주요 기여

작업 수준 LfD 를 위한 ILP 기반 프레임워크: 본 논문은 잠재 신경 표현이나 부분적 해석 가능성만을 제공하는 확률적 구체화에 의존하는 접근법과 대조적으로, 추상화 수준 전반에 걸쳐 1 차 논리 구성 규칙을 학습하고 재사용하는 새로운 프레임워크를 제시한다.
합성 블록 조립 분야에서의 평가: 저자들은 합성 도메인에서 정성적 및 정량적 평가를 제공한다. 학습된 규칙이 해석 가능하고, 계획을 지원하며, 보지 못한 객체 (예: 새로운 재료) 와 보지 못한 배치 위치를 포함하는 더 어렵고 홀드아웃된 작업에 대해 일반화됨을 입증한다.

실험 결과
시스템은 다양한 높이 (2~4 개 블록) 의 탑을 다양한 재료 (돌, 벽돌, 유리, 나무) 로 조립하는 로봇이 등장하는 3x3 그리드 세계에서 평가되었다.

일반화: 시스템은 훈련에서 본 것보다 더 높은 탑 (높이 4) 과 다른 배치 위치를 요구하는 테스트 작업에 성공적으로 일반화되었다.
데이터 효율성: 모든 목표에 대해 100% 목표 달성 및 논리 규칙 일치를 달성하기 위해 시스템은 평균 243 회의 시연이 필요했다 (target_z는 40 회, tower_from은 166 회, tower_site는 37 회). 시연을 제약 밀도를 극대화하도록 수동으로 선택했을 때, 이 요구 사항은 총 77 회의 시연으로 감소했다.
해석 가능성: 학습된 규칙은 간결하고 인간이 읽을 수 있었다. 예를 들어, 시스템은 특정 좌표를 암기하는 대신 탑 구조에 대한 재귀적 정의와 재료 배치에 대한 구성 규칙 (예: "돌 블록은 레벨 z1 에 할당된다") 을 학습했다.
성능: 규칙 유도 및 계획은 표준 CPU 에서 작업당 몇 초만 소요되었다.

의의 및 주장
본 논문은 복잡한 작업을 더 단순한 학습 목표로 분해하는 것이 작업 수준 LfD 에 대해 ILP 를 실현 가능한 접근법으로 만든다는 예비적 증거를 제공한다고 주장한다. 저자들은 복잡한 술어 평가를 위해 Vision-Language Model(VLM) 에 의존하여 신뢰성이 떨어질 수 있는 신경 - 기호 방법과 비교하여, 그들의 접근 방식이 강력한 일반화와 해석 가능성을 제공한다고 강조한다.

논문의 범위에 대해서는 겸손한 어조를 유지한다:

기호 핵심과 합성 평가에 초점을 맞추며, 실제 세계 통합을 위해서는 지각 모듈과 확률적 추론에 대한 향후 작업이 필요함을 인정한다.
시스템의 자율성 부재 (목표 술어, 편향, 인코딩의 수동 지정 필요) 와 1 차 논리 가설 탐색의 결합적 성질로 인해 배경 지식이 너무 광범위한 경우 확장성 문제가 발생할 수 있음을 명시적으로 지적한다.
이러한 한계를 해결하기 위해 자동화된 술어 발명, 편향 생성, 그리고 노이즈가 있는 실제 세계 입력을 처리하기 위한 확률적 논리 (예: Scallop) 통합을 통한 향후 작업을 제안한다.