ARMCHAIR：用于人机协作的集成逆强化学习与模型预测控制
机器人学
2024-03-01 v1 人机交互
多智能体系统
系统与控制
系统与控制
摘要
人机协作的关键问题之一是开发允许机器人预测并适应人类行为的计算模型。在此类模型的开发以及解决机器人运动规划和决策自主性问题的控制技术方面已取得很大进展。然而，将人类行为的计算模型与此类控制技术集成仍然是一个重大挑战，导致高效协作的人机团队出现瓶颈。在此背景下，我们提出了一种用于人机协作的新颖架构：利用对抗逆强化学习实现与人协作的自适应机器人运动 (ARMCHAIR)。我们的解决方案利用对抗逆强化学习和模型预测控制，为在与人类协作执行探索任务的移动多机器人系统计算最优轨迹和决策。在任务期间，ARMCHAIR 无需人工干预即可运行，自主识别支持需求并采取相应行动。我们的方法还明确解决了人机团队的网络连通性要求。广泛的基于仿真的评估表明，ARMCHAIR 允许一组机器人在探索场景中安全地支持模拟人类，防止碰撞和网络断开，并提高任务的整体性能。
引用
@article{arxiv.2402.19128,
title = {ARMCHAIR: integrated inverse reinforcement learning and model predictive control for human-robot collaboration},
author = {Angelo Caregnato-Neto and Luciano Cavalcante Siebert and Arkady Zgonnikov and Marcos Ricardo Omena de Albuquerque Maximo and Rubens Junqueira Magalhães Afonso},
journal= {arXiv preprint arXiv:2402.19128},
year = {2024}
}