基于内省感知的能力感知路径规划
机器人学
2022-01-19 v3 计算机视觉与模式识别
摘要
在现实世界中长时间部署的机器人需要推理意外故障，学会预测它们，并主动采取行动以避免未来的故障。现有的能力感知规划方法要么是基于模型的，需要对已知故障模式进行显式枚举；要么是纯统计的，使用特定于状态和位置的故障统计来推断能力。相反，我们提出了一种结构化的无模型能力感知规划方法，通过推理由感知错误导致的规划执行故障，而无需对故障源进行先验枚举或需要特定于位置的故障统计。我们引入了基于内省感知的能力感知路径规划（CPIP），这是一个在新部署环境中迭代学习和利用任务级能力的贝叶斯框架。CPIP 将能力感知规划问题分解为两个部分。首先，在部署到新环境之前，在内省感知下以无模型且与位置无关的设置中学习感知错误。其次，在实际部署期间，在上下文感知设置中学习任务级故障的预测。仿真实验表明，所提出的 CPIP 方法在多个移动机器人任务中优于频率学派基线，并通过在具有感知挑战性障碍物和地形的环境中的真实机器人实验得到了进一步验证。
引用
@article{arxiv.2109.13974,
title = {Competence-Aware Path Planning via Introspective Perception},
author = {Sadegh Rabiee and Connor Basich and Kyle Hollins Wray and Shlomo Zilberstein and Joydeep Biswas},
journal= {arXiv preprint arXiv:2109.13974},
year = {2022}
}
备注
Accepted by IEEE Robotics and Automation Letters (8 pages, 8 figures)