- 现有的**从演示中学习(Learning from Demonstration, LfD)** 方法主要关注任务执行方式，而忽略了高级任务结构，导致任务表示缺乏可检查性、可重用性和可解释性
- 机器人自主性要求任务表示能够被人类理解并轻松复用，但复杂任务通常难以直接学习其完整结构
- 需要一种方法能够从演示中自动提取符号化的任务规则，并支持组合与泛化到新场景
- 采用**归纳逻辑编程(Inductive Logic Programming, ILP)** 作为核心学习框架，从演示数据和先验领域知识中推断符号规则
- 将复杂任务**分解(compositional decomposition)** 为不同抽象（本体）层次的简单学习目标，逐层递进学习
- 在高层任务结构学习过程中**重用(reuse)** 已学习的低层符号规则，形成组合式的任务表示
- **层次化分解学习**：首次将ILP应用于任务级LfD，通过本体层次分解降低单步学习复杂度，实现从简单规则到复杂任务结构的渐进构建
- **规则重用与组合**：学习到的低层规则可被高层任务学习直接复用，避免了重复推理，提升了学习效率与表示紧凑性
- **强泛化能力**：学到的符号任务规则能够泛化到包含**未见物体(unseen objects)** 的更困难、保留任务，验证了分解ILP在任务推理中的可迁移性
- 为**任务级从演示中学习(task-level LfD)** 提供了一种新的可解释、可组合的符号学习范式，填补了现有方法在高级结构捕获上的空白
- 在合成的积木组装场景中初步验证了分解ILP的可行性，展示了其生成可解释规则和支持强泛化的潜力
- 为后续将**符号推理(symbolic reasoning)** 与机器人学习结合提供了方法论基础，促进了可检查、可重用机器人任务表示的发展