💻 computer science

Learning Compositional Symbolic Task Rules from Demonstrations with Inductive Logic Programming

Dit artikel stelt een ontdekte inductieve logische programmeringsbenadering voor voor leren uit demonstratie die interpreteerbare, herbruikbare symbolische taakregels over meerdere abstractieniveaus infereert, wat sterke generalisatie demonstreert naar complexe, ongezette scenario's in een synthetische blok-assembly-omgeving.

Oorspronkelijke auteurs: Oleh Borys, Karla Stepanova

Gepubliceerd 2026-05-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Oleh Borys, Karla Stepanova

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot leert hoe je een toren moet bouwen van blokken. De meeste robots vandaag zijn als papegaaien: je laat ze een video zien waarin jij een rood blok stapelt, gevolgd door een blauw blok, en ze proberen de exacte bewegingen na te bootsen. Maar als je ze een groen blok geeft of vraagt een hogere toren te bouwen, raken ze in de war omdat ze alleen de bewegingen hebben onthouden, niet de regels.

Dit artikel stelt een andere aanpak voor. In plaats van de robot te leren hoe hij zijn arm moet bewegen, leren de auteurs hem wat de regels van het spel zijn, met behulp van een methode genaamd Inductieve Logische Programmering (ILP). Denk hierbij aan het leren van de "grammatica" van de taak aan de robot, in plaats van alleen het "accent".

Hier is hoe hun systeem werkt, opgesplitst in eenvoudige concepten:

1. De "Lego-meester"-analogie

Stel je voor dat je een kind wilt leren een specifiek type toren te bouwen.

Oude manier (Standaard leren): Je houdt de hand van het kind vast en beweegt hun vingers om blokken te stapelen. Ze leren de spiergeheugen. Als je de blokken verandert, kunnen ze falen.
De manier van dit artikel (ILP): Je laat het kind zitten en legt de regels uit: "Rode blokken komen onderaan, blauwe in het midden en groene bovenop. Je mag alleen torens bouwen naast het middelpunt." Zodra het kind deze regels begrijpt, kan het een toren bouwen met elke blokken, op elke plek, zolang ze de logica volgen.

2. De grote taak opsplitsen in kleine puzzels

De auteurs beseften dat het proberen om een robot alle regels in één keer te leren, vergelijkbaar is met het proberen een gigantische legpuzzel op te lossen door naar het hele plaatje tegelijk te kijken – het is te overweldigend.

In plaats daarvan splitsen ze de taak op in drie kleinere, makkelijkere puzzels (niveaus van abstractie):

Niveau 1 (De ingrediënten): Eerst leert de robot welk materiaal waar hoort. "Steen gaat onderaan, baksteen in het midden." Het leert deze regel van voorbeelden.
Niveau 2 (De structuur): Vervolgens gebruikt de robot de regel die het zojuist heeft geleerd om te begrijpen wat een "toren" eigenlijk is. Het leert dat een toren gewoon een lijst van blokken is die op elkaar zijn gestapeld.
Niveau 3 (De locatie): Tot slot leert de robot waar het mag bouwen. "Je mag bouwen naast het midden, maar niet op de diagonaal."

3. Het "spiekbriefje"-effect

Hier komt het slimme deel: zodra de robot de regel voor Niveau 1 (materialen) heeft geleerd, schrijft hij die regel op en voegt deze toe aan zijn "spiekbriefje" (achtergrondkennis). Wanneer hij overstapt naar Niveau 2, hoeft hij niet opnieuw over materialen te leren; hij gebruikt gewoon het spiekbriefje.

Dit is vergelijkbaar met een student die wiskunde leert: eerst leren ze optellen. Dan, wanneer ze vermenigvuldigen leren, gebruiken ze optellen als fundament. Ze hoeven niet elke keer opnieuw te leren wat "2 + 2" is wanneer ze een vermenigvuldigingsopgave doen. Dit maakt het leerproces sneller en het eindresultaat veel slimmer.

4. De resultaten: Generalisatie

De onderzoekers testten dit in een computersimulatie met blokken.

Training: Ze lieten de robot zien hoe hij torens van hoogte 2 en 3 moest bouwen met specifieke blokken.
De test: Vervolgens gaven ze de robot een moeilijkere uitdaging: bouw een toren van hoogte 4 met een nieuw type blok (hout) dat het nog nooit had gezien, en op een nieuwe locatie die tijdens de training was afgesloten.

Omdat de robot de logica (de regels) had geleerd in plaats van alleen bewegingen na te bootsen, slaagde hij. Hij bedacht: "Oh, de regel zegt 'hout gaat bovenop', en de regel zegt 'ik mag bouwen naast het midden', dus ik kan deze nieuwe toren bouwen."

5. Waarom dit belangrijk is (en de beperkingen)

Het goede nieuws:

Menselijk leesbaar: De regels die de robot leert, lijken op eenvoudige "Als-Dan"-zinnen (bijvoorbeeld: "Als het blok van steen is, plaats het dan op niveau 1"). Mensen kunnen ze lezen en precies begrijpen waarom de robot een beslissing heeft genomen.
Efficiënt: Het heeft minder voorbeelden nodig om te leren omdat het voortbouwt op wat het al weet.

De hapering:

Handmatige opzet: Op dit moment moeten mensen nog steeds het zware werk doen. Een mens moet de robot vertellen welke regels hij moet zoeken en hoe hij de blokken moet beschrijven. De robot is nog niet volledig autonoom; hij heeft een mens nodig om het toneel te zetten.
Eenvoudige werelden: Dit werkt uitstekend voor discrete, helder omschreven taken zoals het sorteren van blokken of het assembleren van speelgoed. Het heeft moeite met rommelige, realistische situaties waar dingen niet duidelijk gedefinieerd zijn (zoals een nat, glad tafelblad).

Samenvatting

Dit artikel presenteert een manier om robots te leren door hen te helpen de logica achter een taak te ontdekken, in plaats van alleen de handelingen te onthouden. Door een complexe baan op te splitsen in kleine, logische stappen en de robot te laten hergebruiken wat hij uit één stap leert om de volgende stap te helpen, wordt de robot veel beter in het hanteren van nieuwe, lastige situaties die hij nog niet heeft gezien. Het is het verschil tussen het leren van een robot om te dansen door zijn voeten te bewegen, versus het leren van het ritme en de stappen zodat hij kan dansen op elk liedje.

Technische Samenvatting: Het Leren van Compositorische Symbolische Taakregels uit Demonstraties met Inductieve Logische Programmering

Probleemformulering
Het artikel adresseert een beperking in standaard Learning from Demonstration (LfD), waarbij robots vaak alleen leren hoe een taak uit te voeren (reproductie van laag-niveau acties) zonder het onderliggende wat (hoog-niveau symbolische taakstructuur) te herstellen. De auteurs betogen dat voor toenemende autonomie taakrepresentaties inspecteerbaar, herbruikbaar en voor mensen interpreteerbaar moeten zijn. Het kernprobleem wordt gedefinieerd als het herstellen van expliciete taakkennis uit waargenomen uitvoeringen in een discreet manipulatie-domein (bijvoorbeeld blok-assembly). Het systeem moet symbolische regels afleiden die gedemonstreerd gedrag verklaren over verschillende abstractieniveaus (ontologische niveaus), en zich verplaatsen van statistische patroonherkenning naar het induceren van logisch rijke regels.

Methodologie
Het voorgestelde kader maakt gebruik van Inductieve Logische Programmering (ILP), specifiek de state-of-the-art solver Popper, om symbolische taakregels te induceren. De methodologie wordt gekenmerkt door een gedecomponeerde, hiërarchische leerbenadering:

Taakdecompositie: In plaats van een monolithisch taakprogramma te leren, wordt de complexe taak opgesplitst in een geordende reeks eenvoudigere, taakrelevante leerdoelen ( $\Psi_{learn} = [\tau_1, \dots, \tau_K]$ ) op verschillende abstractieniveaus.
Iteratieve Regelinductie: Voor elk doelpredicaat $\tau$ $τ$ doet het systeem het volgende:
- Het grondt demonstraties in abstracte toestanden met behulp van een achtergrondprogramma $B$ (bevatende object-ontologieën en omgevingsdefinities).
- Het extraheert positieve ( $E^+$ ) en negatieve ( $E^-$ ) voorbeelden.
- Het gebruikt Popper om een hypothese $H_\tau$ (een verzameling definitieve clausules) te induceren die de data verklaart onder de huidige achtergrondkennis.
Kennishergebruik: Cruciaal is dat na het leren van een doel, de geïnduceerde regels ( $H_\tau$ ) weer worden toegevoegd aan de achtergrondkennis ( $B \leftarrow B \cup H_\tau$ ). Dit stelt latere, hoger gelegen doelen in staat om eerder geleerde abstracties te hergebruiken (bijvoorbeeld het gebruik van een geleerde "materiaal-naar-niveau"-mapping om een "toren"-concept te definiëren).
Uitvoering: Tijdens de testfase gebruikt een op Prolog gebaseerde planner de vereniging van alle geleerde regels ( $H = \bigcup H_\tau$ ) om de zoekruimte te beperken, door kandidaat-actiesequenties te enumereren en die te snoeien die de geleerde symbolische beperkingen schenden, om zo een geldig pick-and-place-plan te produceren.

Belangrijkste Bijdragen

ILP-gebaseerd Kader voor Taak-niveau LfD: Het artikel presenteert een nieuw kader dat compositorische regels van eerste-orde logica leert en hergebruikt over abstractieniveaus, in tegenstelling tot benaderingen die vertrouwen op latente neurale representaties of stochastische grounding, die slechts gedeeltelijke interpreteerbaarheid bieden.
Evaluatie in Synthetische Blok-assembly: De auteurs leveren zowel kwalitatieve als kwantitatieve evaluaties in een synthetisch domein. Zij tonen aan dat de geleerde regels interpreteerbaar zijn, planning ondersteunen, en generaliseren naar moeilijkere, terughoudende taken die onbekende objecten (bijvoorbeeld nieuwe materialen) en onbekende plaatsingslocaties omvatten.

Experimentele Resultaten
Het systeem werd geëvalueerd in een 3x3 roosterwereld waar een robot torens van variërende hoogtes (2–4 blokken) bouwt met blokken van verschillende materialen (steen, baksteen, glas, hout).

Generalisatie: Het systeem generaliseerde succesvol naar testtaken die hogere torens (hoogte 4) en verschillende plaatsingslocaties vereisten dan die tijdens de training werden gezien.
Data-efficiëntie: Om 100% doeltevredenheid en logische regelovereenkomst over alle doelen te bereiken, vereiste het systeem gemiddeld 243 demonstraties (40 voor target_z, 166 voor tower_from, en 37 voor tower_site). Wanneer demonstraties handmatig werden geselecteerd om de dichtheid van beperkingen te maximaliseren, daalde deze eis tot 77 totale demonstraties.
Interpreteerbaarheid: De geleerde regels waren compact en voor mensen leesbaar. Bijvoorbeeld, het systeem leerde recursieve definities voor torenstructuren en compositorische regels voor materiaalplaatsing (bijvoorbeeld "stenen blokken worden toegewezen aan niveau z1") in plaats van specifieke coördinaten te memoriseren.
Prestaties: Het induceren van regels en plannen duurde slechts enkele seconden per taak op een standaard CPU.

Betekenis en Beweringen
Het artikel claimt voorlopig bewijs te leveren dat het decomponeren van complexe taken in eenvoudigere leerdoelstellingen ILP een haalbare aanpak maakt voor taak-niveau LfD. De auteurs benadrukken dat hun aanpak sterke generalisatie en interpreteerbaarheid biedt in vergelijking met neuro-symbolische methoden die vertrouwen op Vision-Language Models (VLM's) voor complexe predicaat-evaluatie, wat onbetrouwbaar kan zijn.

Het artikel behoudt een bescheiden toon wat betreft de reikwijdte:

Het richt zich op de symbolische kern en synthetische evaluatie, met de erkenning dat integratie in de echte wereld toekomstig werk vereist op het gebied van perceptiemodules en probabilistisch redeneren.
Het noteert expliciet beperkingen, waaronder het gebrek aan autonomie van het systeem (waarbij handmatige specificatie van doelpredicaten, biases en coderingen vereist is) en de combinatorische aard van het zoeken naar hypothesen in eerste-orde logica, wat kan leiden tot schaalbaarheidsproblemen als de achtergrondkennis te uitgebreid is.
Er wordt voorgesteld om deze beperkingen aan te pakken door middel van geautomatiseerde predicaatuitvinding, bias-generatie en de integratie van probabilistische logica (bijvoorbeeld Scallop) om ruisachtige invoer uit de echte wereld te verwerken.