BeBOP——结合反应式规划与贝叶斯优化求解机器人操作任务
机器人学
2023-10-03 v1
摘要
用于操作任务的机器人系统越来越需要易于配置以执行新任务。过去，机器人程序通常是静态编写并手动调参，而当前更快的换线节奏要求鲁棒、模块化且可解释的解决方案，同时也能让机器人系统学习如何执行任务。我们提出行为基于贝叶斯优化与规划（BeBOP）方法，结合了两种生成行为树的方法：我们使用反应式规划器构建结构，并通过贝叶斯优化学习特定参数。该方法在一组机器人操作基准上进行了评估，结果表明其比最先进的强化学习算法快至多 46 倍，同时更少依赖奖励塑形。我们还提出了对随机森林代理模型不确定性估计的改进，大幅提升了结果。
引用
@article{arxiv.2310.00971,
title = {BeBOP -- Combining Reactive Planning and Bayesian Optimization to Solve Robotic Manipulation Tasks},
author = {Jonathan Styrud and Matthias Mayr and Erik Hellsten and Volker Krueger and Christian Smith},
journal= {arXiv preprint arXiv:2310.00971},
year = {2023}
}
备注
Submitted to ICRA 2024