[論文レビュー] Photo-Realistic Blocksworld Dataset

Masataro Asai|arXiv (Cornell University)|Dec 5, 2018

Multimodal Machine Learning Applications参考文献 19被引用数 4

ひとこと要約

本稿では、神経記号的AIシステムのベンチマークとして使用可能な、写真のようにリアルなブロックスターリング環境の画像を生成するデータセット生成ツールを紹介する。このシステムは、生の画像から記号的状態表現を学習するための変分オートエンコーダ（VAE）を用い、古典的プランナが完全で体系的な探索によってタスクを解くことを可能にする。Latplanは30個のテストインスタンスのうち14個を正しく解いた。これは、複雑な視覚的条件下でも再構成誤差が生じるが、依然として実現可能性を示している。

ABSTRACT

In this report, we introduce an artificial dataset generator for Photo-realistic Blocksworld domain. Blocksworld is one of the oldest high-level task planning domain that is well defined but contains sufficient complexity, e.g., the conflicting subgoals and the decomposability into subproblems. We aim to make this dataset a benchmark for Neural-Symbolic integrated systems and accelerate the research in this area. The key advantage of such systems is the ability to obtain a symbolic model from the real-world input and perform a fast, systematic, complete algorithm for symbolic reasoning, without any supervision and the reward signal from the environment.

研究の動機と目的

• 神経記号的統合分野の研究を加速させるために、ブロックスターリング計画ドメインの視覚的にリアルな写真のようなデータセットを構築すること。
• 教師なしまたは報酬信号なしで、生の視覚入力から記号的状態表現をエンドツーエンドで学習可能にする。
• 深層ネットワークが複雑でリアルな画像から記号的計画状態をどれだけ正確に再構成できるかを評価するためのベンチマークを提供すること。
• 深層学習と古典的記号的計画法を、視覚的に根ざした高レベルのタスク計画設定で組み合わせる実現可能性を検証すること。
• アタリ・ラーニング・エントレーンスのパラダイムを、視覚的リアリズムと組み合わせ的補助目標の相互作用を有する古典的計画ドメインに拡張すること。

提案手法

• 写真のようにリアルなテクスチャーや照明を備えた、改変されたブロックスターリング環境を用いて、3次元のブロック配置のリアルなシーンをレンダリングするデータセット生成ツールを構築した。
• 2,500個のランダムに抽出された状態に対して変分オートエンコーダ（VAE）を訓練し、視覚入力のコンactかつ分離可能な潜在表現を学習した。
• 学習されたVAE埋め込み表現を、ブラインドヒューリスティクスを用いた古典的プランナ（Fast Downward）の入力として使用し、計画の実現可能性を評価した。
• VAEで学習された状態表現が、探索空間内の真の状態ノードと一致するかを検証するために、AMA 1 PDDLジェネレータを用いた。
• ランダムな初期状態から3ステップ、7ステップ、または14ステップのランダムウォークを用いて、多様なゴール構成を持つ計画インスタンスを生成した。
• 再構成された表現に対して神経記号的プランナ（Latplan）を適用し、解の質と完全性をテストした。

実験結果

リサーチクエスチョン

• RQ1 深層オートエンコーダは、写真のようにリアルなブロックスターリング環境の画像から、古典的計画に十分な精度で記号的状態表現を学習できるか？
• RQ2 視覚的複雑さとリアリズムが、VAEがPDDL論理と意味的に整合性のある状態を再構成する能力にどの程度悪影響を及えるか？
• RQ3 報酬信号やアクションラベルなしに、VAEで学習された表現のみを入力として用いる古典的プランナが、正しいかつ完全な解を発見できるか？
• RQ4 視覚的ノイズや環境の変動が増加するにつれて、神経記号的システムの性能はどの程度低下するか？
• RQ5 視覚ドメインに補助目標の衝突（例：サスマンのパラドックス）が存在する場合、表現学習と計画の信頼性にどのような影響を与えるか？

主な発見

• VAEベースの表現学習手法により、Latplanシステムは30個のテストインスタンスのうち14個で正しい計画を生成した。これは、エンドツーエンドの視覚的計画の部分的な成功を示している。
• 16個のインスタンスで失敗した主な要因は、VAEによる状態再構成の誤りであり、視覚的複雑さ下での表現精度の限界を示している。
• 4ブロック、3スタックの環境の探索空間には5,760の状態と34,560の遷移が存在し、表現学習のための非自明なベンチマークを提供している。
• Fast Downwardでブラインドヒューリスティクスを用いることで、完全なヒューリスティクス計算によるスケーラビリティの問題を回避し、表現の正確性に焦点を当てた。
• 現在のオートエンコーダは、とくに補助目標の相互作用が存在する場合、視覚的ブロックスターリングにおける組み合わせ的および空間的推論の要求に応えられず、困難を抱えていることが示唆された。
• データセット生成ツールは https://github.com/ibm/photorealistic-blocksworld で公開されており、再現性と今後のベンチマークに貢献できる。