主动推断与行为树用于机器人反应式动作规划与执行
机器人学
2022-11-28 v4 人工智能
摘要
我们提出主动推断与行为树（BTs）的混合组合，用于动态环境中的反应式动作规划与执行，展示了如何将机器人任务表述为自由能最小化问题。所提方法允许处理部分可观测的初始状态，并提高经典BTs对意外突发事件的鲁棒性，同时减少树中节点数量。在本工作中，我们通过BTs离线指定标称行为。然而，与以往方法不同，我们引入了一种新型叶节点来指定待达成的期望状态，而非要执行的动作。执行哪个动作以到达期望状态通过主动推断在线决策。这导致了持续的在线规划与分层斟酌。借此，智能体可遵循预定义的离线计划，同时仍保持本地适应并在运行时自主决策的能力，且尊重安全约束。我们提供了收敛性证明与鲁棒性分析，并在两个执行相似任务的不同移动 manipulator 上验证了我们的方法，涵盖模拟与真实零售环境。结果表明，与经典BTs相比，以极少的手编码节点实现了改进的运行时适应性。
引用
@article{arxiv.2011.09756,
title = {Active Inference and Behavior Trees for Reactive Action Planning and Execution in Robotics},
author = {Corrado Pezzato and Carlos Hernandez Corbato and Stefan Bonhof and Martijn Wisse},
journal= {arXiv preprint arXiv:2011.09756},
year = {2022}
}
备注
Accepted at Transactions on Robotics (IEEE T-RO)