向行为树添加神经网络控制器而不破坏性能保证
机器人学
2022-07-26 v3 人工智能
机器学习
神经与进化计算
摘要
在本文中，我们展示了如何在具有安全性与目标收敛性方面性能保证的行为树上，扩展加入使用机器学习设计的组件，而不破坏这些性能保证。强化学习或从演示中学习等机器学习方法对希望在其智能体中获得高效且真实行为的 AI 设计者很有吸引力。然而，这些算法很少能提供在所有不同情形下解决给定任务同时保持智能体安全的保证。相反，此类保证对于手动设计的基于模型的方法往往更容易获得。在本文中，我们利用行为树的模块化，以一种保留保证的方式，用高效但可能不可靠的机器学习组件扩展给定设计。该方法以倒立摆为例加以说明。
引用
@article{arxiv.1809.10283,
title = {Adding Neural Network Controllers to Behavior Trees without Destroying Performance Guarantees},
author = {Christopher Iliffe Sprague and Petter Ögren},
journal= {arXiv preprint arXiv:1809.10283},
year = {2022}
}
备注
Accepted as Regular Paper to The 61th IEEE Conference on Decision and Control (CDC 2022)