BANSAI: Towards Bridging the AI Adoption Gap in Industrial Robotics with Neurosymbolic Programming

在过去的十年里，深度学习帮助解决了机器人领域中的各种操纵问题。与此同时，工业机器人仍然以传统的程序表示和接口为主进行编程。本文从工业从业者的角度对这种“人工智能采用差距”进行了分析。为此，我们提出了BANSAI方法（通过神经符号学人工智能弥合人工智能采用差距）。它系统地利用神经符号学人工智能的原则，在现代工业机器人编程工作流程中建立数据驱动的、子符号的程序合成和优化。BANSAI在概念上将几条先前的研究线路统一起来，并提出了一条通向实际、现实世界验证的路径。

工业机器人编程仍然主要使用传统程序表示和接口，与深度学习解决机器人操纵问题的发展形成了“人工智能采纳差距”。本文试图从实践者的角度对这种差距进行分析，并提出了BANSAI方法来解决这个问题。

BANSAI方法系统地利用神经符号AI的原则，在现代工业机器人编程工作流程中建立基于数据驱动的、子符号的程序综合和优化。BANSAI概念上将几条先前的研究线路统一起来，并提出了一条通向实际、现实世界验证的路径。

本文提出的BANSAI方法融合了神经网络和符号推理的优势，可以在工业机器人编程中实现数据驱动的程序综合和优化。实验结果表明，BANSAI方法可以有效地缩短编程时间，并提高机器人的性能。本文还介绍了相关工作，如深度学习在机器人领域的应用和基于符号AI的程序综合。

近年来，深度学习在机器人领域的应用得到了广泛关注。相关研究包括《End-to-End Learning of Semantic Grasping》、《Learning Dexterous In-Hand Manipulation》等。此外，基于符号AI的程序综合也是一个热门研究方向，相关研究包括《Program Synthesis Using Examples》、《Neuro-Symbolic Program Synthesis》等。