面向具有决策不确定性的自主机器人的基于决策树的监测与恢复框架
机器人学
2023-08-03 v1
摘要
在真实世界中运行的自主移动机器人（AMR）往往需要做对其自身及周边安全有直接影响的关键决策。近年来，基于学习的决策方法日益流行，因为对于许多应用，决策可非常快速且以合理精度做出。然而，这些方法通常只返回一个决策，若学习器训练不佳或观测含噪，决策可能错误。当机器人对其自身故障（如执行器或传感器故障及外部扰动）做决策时，该问题进一步恶化，错误决策会立即对机器人造成损坏。本文考虑此案例研究：处理此类故障的机器人必须快速评估不确定性并做出安全决策。我们提出一种不确定性感知的基于学习的故障检测与恢复方法，其中利用决策树理论与模型预测控制来检测并解释何种故障正在危及系统、评估与故障相关的不确定性，并最终找到并验证纠正控制以恢复系统。我们的方法在故障无人地面车辆（UGV）导航案例研究的仿真与真实实验中得到验证，展示了在不确定性下的安全恢复。
引用
@article{arxiv.2308.00944,
title = {A Decision Tree-based Monitoring and Recovery Framework for Autonomous Robots with Decision Uncertainties},
author = {Rahul Peddi and Nicola Bezzo},
journal= {arXiv preprint arXiv:2308.00944},
year = {2023}
}