机器人操作计划错误恢复学习: 一种神经符号方法
机器人学
2024-05-30 v1 机器学习
摘要
自动检测和从计划执行中的错误中恢复是无人机系统中重要但具有挑战性的问题。目前大多数来自演示的规划学习方法缺乏在缺乏显式状态表示和/或(子)目标检查函数的情况下检测和恢复错误的能力。我们提出了一种方法(融合学习与符号搜索)用于自动发现和恢复错误,无需错误标注数据。我们方法的核心是一种神经符号状态表示,即基于环境中存在的对象结构的稠密场景图。这使得能够高效学习转换函数和一个判别器,该判别器不仅能识别错误,还能定位错误,从而通过计算启发距离函数实现快速重规划。我们还提出了本算法的即时版本,其中不必恢复到上一个正确状态,而是搜索原始计划中的子目标,以在给定的重规划预算下最小化到目标的总距离。在物理模拟器上进行的实验表明,我们的方法在效率和恢复机制的准确性方面都优于现有基线方法。
引用
@article{arxiv.2405.18948,
title = {Learning to Recover from Plan Execution Errors during Robot Manipulation: A Neuro-symbolic Approach},
author = {Namasivayam Kalithasan and Arnav Tuli and Vishal Bindal and Himanshu Gaurav Singh and Parag Singla and Rohan Paul},
journal= {arXiv preprint arXiv:2405.18948},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication