通过强化学习即时自适应基于行为树的策略
机器人学
2025-03-11 v1
摘要
随着对柔性制造的需求不断增长，人们越来越期望机器人能够在动态环境中运行，在这些环境中，局部变化（例如工件的轻微偏移或尺寸差异）是常见的。我们提出通过一种样本高效的分层强化学习方法来调整基于行为树（BT）的策略，以解决机器人行为适应这些任务变化的问题。我们保留了行为树的核心特性，将其作为构建反应式行为的可解释、模块化框架，但通过固有地适应局部任务变化，将其用途扩展到静态任务之外。为了展示我们方法的效率和有效性，我们在仿真中和在 Franka Emika Panda 7 自由度机械臂上进行了实验，机械臂成功适应了不同的避障和枢转任务。
引用
@article{arxiv.2503.06309,
title = {On the Fly Adaptation of Behavior Tree-Based Policies through Reinforcement Learning},
author = {Marco Iannotta and Johannes A. Stork and Erik Schaffernicht and Todor Stoyanov},
journal= {arXiv preprint arXiv:2503.06309},
year = {2025}
}