通过从次优演示学习时序逻辑公式解释多阶段任务
机器人学
2020-06-04 v1 机器学习
系统与控制
系统与控制
摘要
我们提出了一种通过学到一个一致的线性时序逻辑（LTL）公式的逻辑结构和原子命题，从演示中学习多阶段任务的方法。学习者被给予成功但可能次优的演示，其中演示者在满足LTL公式的同时优化一个代价函数，且该代价函数对学习者是不确定的。我们的算法分别利用演示的Karush-Kuhn-Tucker（KKT）最优性条件与反例引导的证伪策略来学习LTL公式的原子命题参数和逻辑结构。我们提供了关于恢复的原子命题集的保守性以及寻找与演示一致的LTL公式搜索的完备性的理论保证。我们在高维非线性系统上评估了我们的方法，通过在7自由度机械臂和四旋翼系统上学习解释多阶段任务的LTL公式，并表明其优于从正例学习LTL公式的竞争方法。
引用
@article{arxiv.2006.02411,
title = {Explaining Multi-stage Tasks by Learning Temporal Logic Formulas from Suboptimal Demonstrations},
author = {Glen Chou and Necmiye Ozay and Dmitry Berenson},
journal= {arXiv preprint arXiv:2006.02411},
year = {2020}
}
备注
Extended version; conference version to appear in Robotics: Science and Systems XVI (RSS 2020)