面对异常情形的可靠机器人任务执行
机器人学
2025-11-18 v1
摘要
学习的机器人策略一直表现出良好的灵活性，但它们通常没有内置机制来处理开放环境的复杂性，容易出现执行失败。这意味着在没有识别和应对失败能力的前提下部署策略可能导致不可靠且不安全的机器人行为。本文提出了一种框架，将学习的策略与检测策略部署期间视觉异常并在必要时执行恢复行为的方法结合起来，以实现失败预防。具体而言，我们使用在训练策略的正规执行期间收集的数据训练异常检测模型。该模型随后集成到在线策略执行过程中，以便在偏离正规执行的情形触发三级顺序恢复过程，包括：(i) 暂时暂停执行；(ii) 对机器人状态进行局部扰动；(iii) 通过从学习的执行成功模型中采样将机器人重置为安全状态。我们在两种不同情形下验证了所提方法：(i) 使用在仿真中训练并迁移至实际机器人上的 Kinova Gen3 机械臂完成把手到达任务的策略；(ii) 使用通用策略模型对 UFactory xArm 6 执行物体放置任务。我们的结果表明， 将策略执行与异常检测和恢复集成可提高在包含各种异常（如轨迹偏差和对抗性人类干预）的环境中的执行成功率。
引用
@article{arxiv.2510.23121,
title = {Reliable Robotic Task Execution in the Face of Anomalies},
author = {Bharath Santhanam and Alex Mitrevski and Santosh Thoduka and Sebastian Houben and Teena Hassan},
journal= {arXiv preprint arXiv:2510.23121},
year = {2025}
}
备注
Accepted for publication in IEEE Robotics and Automation Letters (RA-L)