BT-TL-DMPs：一种集成行为树、时序逻辑与动态运动原语的机器人 TAMP 新框架

在学习型机器人 (Learning from Demonstration, LfD) 领域，使机器人能够将学习到的操纵技能推广到具有长时序任务的新情境中仍然具有挑战性。具体而言，机器人仍然难以适应在不同任务与运动要求下的新环境，尤其是在具有复杂约束的长时序、多阶段情境中。本文提出了一种新型层次化框架，称为 BT-TL-DMPs，集成了行为树 (Behavior Tree, BT)、时序逻辑 (Temporal Logic, TL) 与动态运动原语 (Dynamical Movement Primitives, DMPs)，以解决上述问题。在该框架内部，采用信号时序逻辑 (Signal Temporal Logic, STL) 对复杂的长时序任务要求和约束进行形式化指定。这些 STL 规范被系统性地转化，以生成用于高层决策的具有反应性和模块化的行为树。提出一种 STL 受限的 DMP 优化方法，以优化 DMP 的驱动项，使所学的运动原语能够灵活适应，同时满足复杂的时空要求，关键的是保留来自演示的基本动力学。该框架通过仿真实验表明在各种 STL 约束下的泛化能力，并在实际的多长时序机器人操纵任务中进行了实验验证。结果表明，所提框架有效地弥合了符号化与运动化之间的鸿沟，使复杂机器人任务的自主操纵更加可靠且具备泛化能力。