Sign In

NEXUS: Continual Learning of Symbolic Constraints for Safe and Robust Embodied Planning

μž‘μ„±μž
  • Haebom
μΉ΄ν…Œκ³ λ¦¬
Empty

μ €μž

Tiehan Cui, Peipei Liu, Yanxu Mao, Congying Liu, Mingzhe Xing, Datao You

πŸ’‘ κ°œμš”

λ³Έ 논문은 물리 μ„Έκ³„μ—μ„œ μš”κ΅¬λ˜λŠ” μ—„κ²©ν•œ κ²°μ •λ‘ κ³Ό 검증 κ°€λŠ₯ν•œ μ•ˆμ „μ„±μ„ ν™•λ³΄ν•˜κΈ° μœ„ν•΄ λŒ€κ·œλͺ¨ μ–Έμ–΄ λͺ¨λΈ(LLM)의 λΆˆν™•μ‹€μ„± 문제λ₯Ό ν•΄κ²°ν•˜λŠ” NEXUS ν”„λ ˆμž„μ›Œν¬λ₯Ό μ œμ•ˆν•©λ‹ˆλ‹€. NEXUSλŠ” 심볼릭 μ œμ•½ 쑰건을 μ§€μ†μ μœΌλ‘œ ν•™μŠ΅ν•˜μ—¬ μ—μ΄μ „νŠΈμ˜ λŠ₯λ ₯을 ν–₯μƒμ‹œν‚€κ³ , 물리적 타당성과 μ•ˆμ „ 사양을 λΆ„λ¦¬ν•˜μ—¬ 사전 행동 λ°©μ–΄λ₯Ό κ°•ν™”ν•©λ‹ˆλ‹€. 이λ₯Ό 톡해 μ‹€ν—˜μ—μ„œ 높은 μž‘μ—… 성곡λ₯ , μ•ˆμ „ν•˜μ§€ μ•Šμ€ μ§€μ‹œ κ±°λΆ€, μ λŒ€μ  곡격에 λŒ€ν•œ κ°•κ±΄ν•œ λ°©μ–΄, 그리고 지속적인 κ³„νš νš¨μœ¨μ„± ν–₯상을 λ‹¬μ„±ν–ˆμŠ΅λ‹ˆλ‹€.

πŸ”‘ μ‹œμ‚¬μ  및 ν•œκ³„

β€’
NEXUSλŠ” LLM의 λΆˆν™•μ‹€μ„±μ„ κ·Ήλ³΅ν•˜κ³  물리적 μ œμ•½ 쑰건을 ν•™μŠ΅ν•˜λŠ” λͺ¨λ“ˆν˜• ν”„λ ˆμž„μ›Œν¬λ‘œμ„œ, μ•ˆμ „ν•˜κ³  κ°•κ±΄ν•œ κ΅¬ν˜„ κ³„νšμ„ μœ„ν•œ μƒˆλ‘œμš΄ λ°©ν–₯을 μ œμ‹œν•©λ‹ˆλ‹€.
β€’
심볼릭 μ œμ•½ 쑰건을 μ§€μ†μ μœΌλ‘œ ν•™μŠ΅ν•˜κ³  물리적 타당성과 μ•ˆμ „ 사양을 λΆ„λ¦¬ν•˜λŠ” μ ‘κ·Ό 방식은 μ—μ΄μ „νŠΈμ˜ μ‹ λ’°μ„±κ³Ό μ•ˆμ „μ„±μ„ 크게 ν–₯μƒμ‹œν‚¬ 수 μžˆμŠ΅λ‹ˆλ‹€.
β€’
ν˜„μž¬μ˜ SafeAgentBench μ‹€ν—˜ κ²°κ³ΌλŠ” κΈμ •μ μ΄λ‚˜, 더 λ³΅μž‘ν•˜κ³  동적인 ν™˜κ²½μ—μ„œμ˜ 검증 및 NEXUS의 ν™•μž₯μ„± λ¬Έμ œλŠ” ν–₯ν›„ 연ꡬ 과제둜 λ‚¨μ•„μžˆμŠ΅λ‹ˆλ‹€.
πŸ‘
Made with Slashpage