面向神经符号无人机系统的概率任务设计
人工智能
2026-01-19 v2 机器人学
摘要
先进的空中交通 (AAM) 领域需要准确可靠的法律概念和限制模型，以导航无人机系统 (UAS)。此外，AAM的任何实现都必须能稳健地应对 inherently dynamic and uncertain 的人类居住空间。尽管如此，超出视距范围 (BVLOS) 的 UAS 任务是一个充满魅力的任务，能够显著提升今天的物流和紧急响应能力。因此，我们提出了概率任务设计 (ProMis)，一种新颖的神经符号方法，用于在法律框架内导航 UAS。ProMis 是一种可解释且可适应的系统架构，将不确定的地理空间数据与噪声感知数据关联，通过声明性混合概率逻辑程序 (HPLP) 对代理的状态空间及其合法性进行推理。为让规划在法律限制和不确定性方面具有指导意义，ProMis 提出了概率任务景观 (PML)，这些标量场量化了 HPLP 在代理状态空间中被满足的信念。扩展此前关于 ProMis 推理能力和计算特征的工作，展示其与大型语言模型 (LLM) 和基于Transformer的视觉模型等强大机器学习模型的集成。因此，我们的实验支撑了 ProMis 结合多模态输入数据，并展示了该方法在众多 AAM 场景中的应用。
引用
@article{arxiv.2501.01439,
title = {Probabilistic Mission Design for Neuro-Symbolic Unmanned Aircraft Systems},
author = {Simon Kohaut and Benedict Flade and Daniel Ochs and Devendra Singh Dhami and Julian Eggert and Kristian Kersting},
journal= {arXiv preprint arXiv:2501.01439},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2406.03454