본 논문은 광범위한 지능형 에이전트가 작업 특유의 추상화를 형성하여 작업의 필수 요소만을 선택적으로 노출하고 원시적인 감각 운동 공간의 복잡성은 추상화해야 한다는 점을 제기한다. 이를 위해, 기호적 및 신경망 지식 표현의 장점을 결합한 1차 추상화 언어인 신경 기호술 예측 변수(Neuro-Symbolic Predicates)를 제시한다. 해당 예측 변수를 생성하고 추상적인 세계 모델을 학습하는 온라인 알고리즘을 개략적으로 설명하고, 5개의 시뮬레이션된 로봇 도메인에서 분포 내 및 분포 외 작업에 대해 계층적 강화 학습, 시각 언어 모델 계획, 기호적 예측 변수 생성 방식과 비교한다. 실험 결과, 제시된 방법이 더 나은 샘플 복잡도, 강력한 분포 외 일반화 및 향상된 해석성을 제공함을 보여준다.
