结合规划、推理与强化学习求解工业机器人任务
机器人学
2022-12-08 v1
摘要
当今工业机器人系统的一个目标是实现对新任务的快速且简便的配置。使用规划与知识表示的基于技能的系统长期以来一直是可能的解决方案之一。然而,特别是对于需要精细参数设置的富接触机器人任务,若所需知识未被充分建模,此类推理技术可能会失效。我们展示了一种将任务级规划与推理同针对当前任务技能参数的定向学习相结合的方法。从以 PDDL 表述的任务目标出发,识别计划中的可学习参数,操作员可为学习过程选择奖励函数与参数。与知识框架的紧密集成允许形成学习先验,并且多目标贝叶斯优化的使用缓解了安全与任务性能等常相互影响的方面的平衡。我们通过为两个不同的富接触任务学习技能参数,并在真实的 7 自由度 KUKA-iiwa 上成功执行,证明了我们方法的有效性与通用性。
引用
@article{arxiv.2212.03570,
title = {Combining Planning, Reasoning and Reinforcement Learning to solve Industrial Robot Tasks},
author = {Matthias Mayr and Faseeh Ahmad and Konstantinos Chatzilygeroudis and Luigi Nardi and Volker Krueger},
journal= {arXiv preprint arXiv:2212.03570},
year = {2022}
}
备注
4 pages, 2 figures. Accepted at IEEE IROS 2022 "2nd Workshop on Trends and Advances in Machine Learning and Automated Reasoning for Intelligent Robots and Systems". arXiv admin note: substantial text overlap with arXiv:2203.10033