ロボット操作タスクの逆操作（inverse manipulation）は、単にシンボリック状態遷移を逆順にしたり、モータ軌跡を巻き戻したりするだけでは不十分です。実際のロボット操作では、シンボリック逆計画はしばしば連続的な相互作用ダイナミクスの下で、順方向実行の効果を完全に復元できません。本研究は、逆操作のためのハイブリッドフレームワークを提案しており、デモンストレーションから自動抽出されたSTRIPSライクなオペレータを用いて、逆スキルの目標を導出します。このフレームワークでは、ソフト幾何学的述語を通じてオペレータを抽出し、各オペレータに対して逆復元目標を構築します。この目標は前提条件を保持し、削除効果を復元し、追加効果を否定するように設計されています。 タスクプランナーはまず利用可能なアクションプリミティブを使用してこの目標を満たそうとします。解決されないシンボリック述語が残った場合、それが残差オペレータ学習問題を誘発し、強化学習（RL）によって解決されます。本研究はManiSkill3のPushCubeタスクでフレームワークを評価しました。順方向の押すスキルに対して、シンボリック逆操作は粗いピック・アンド・プレイス復元を実行し、その後Soft Actor-Criticポリシーを用いた残差制御がキューブの姿勢を調整して、残りの逆述語を満たします。結果は、述語由来の残差制御が近似的なシンボリック逆操作を物理的に接地された逆スキルへ変換できることを示しています。