面向安全人机协作的任务高效强化学习动作规划器
机器人学
2025-10-15 v1
摘要
在人机协作 (HRC) 环境中，安全性和效率是评估机器人性能的两个核心属性。然而，安全机制通常会阻碍任务效率，因为人类干预会导致备用运动以及机器人目标失败。频繁的运动重规划会增加计算负担和失败概率。本文提出了一种混合强化学习 (RL) 规划框架，由交互式运动规划器和 RL 任务规划器组成。RL 任务规划器试图基于运动规划器的反馈选择统计上安全且高效的任务序列，而运动规划器通过检测人类手臂运动并在先前路径失效时部署新路径，以确保任务执行过程保持碰撞自由。直观地说，RL 代理将学习避免危险任务，而运动规划器确保所选任务是安全的。本文在仿真和实际环境中对该框架进行了验证，并与硬编码任务动作规划方法进行了比较。结果表明，我们的规划框架能够：1) 在关节和任务水平上反应不确定的人类运动；2) 减少重复失败目标命令的次数；3) 减少总体重规划请求的次数。
引用
@article{arxiv.2510.12477,
title = {A Task-Efficient Reinforcement Learning Task-Motion Planner for Safe Human-Robot Cooperation},
author = {Gaoyuan Liu and Joris de Winter and Kelly Merckaert and Denis Steckelmacher and Ann Nowe and Bram Vanderborght},
journal= {arXiv preprint arXiv:2510.12477},
year = {2025}
}