通过不确定性感知的人类偏好景观主动学习实现户外环境下的反应式多机器人导航
机器人学
2024-09-26 v1 人工智能
摘要
与单一机器人相比，多机器人系统(MRS)由于拥有具备不同能力的多个成员，能够更高效地执行任务。然而，由于存在不确定且多样的障碍物（例如，建筑群和树木），在广阔的真实世界环境中部署 MRS 仍然具有挑战性。由于对环境不确定性对性能的影响理解有限，MRS 无法灵活调整其行为（例如，组队、负载共享、轨迹规划）以确保环境适应和任务完成。在本研究中，设计了一种新颖的联合偏好景观学习与行为调整框架(PLBA)。PLBA 将实时人类指导高效集成到 MRS 协调中，并利用具有可变输出噪声的稀疏变分高斯过程，通过利用环境特征之间的空间相关性来快速评估人类偏好。随后，一种基于优化的行为调整方法将 MRS 行为安全地适应于环境。为了验证 PLBA 在 MRS 行为适应中的有效性，设计了一项洪水灾害搜救任务。20 名人类用户基于从与“任务质量”、“任务进度”、“机器人安全”相关的 MRS 行为中获取的人类偏好，提供了 1764 条反馈。预测准确率和适应速度的结果表明了 PLBA 在偏好学习和 MRS 行为适应方面的有效性。
引用
@article{arxiv.2409.16577,
title = {Reactive Multi-Robot Navigation in Outdoor Environments Through Uncertainty-Aware Active Learning of Human Preference Landscape},
author = {Chao Huang and Wenshuo Zang and Carlo Pinciroli and Zhi Jane Li and Taposh Banerjee and Lili Su and Rui Liu},
journal= {arXiv preprint arXiv:2409.16577},
year = {2024}
}