行为树中选择器自适应的仿真结果
机器人学
2016-07-01 v2
摘要
行为树(BTs)源于电子游戏开发，作为一种建模智能体行为的图形化语言。然而如最初实现，行为树是静态计划。本文补充了近期探索BTs适应任务成败能力的文献。BT的“选择(Selector)”节点尝试替代策略(其子节点)，仅当所有子节点返回失败时返回成功。本文研究了选择节点从经验学习的几种方式，特别是基于传感器信息学习成功的条件概率，并依据所学信息修改执行顺序。此外，研究了一种“贪婪选择器(Greedy Selector)”，其仅尝试具有最高成功概率的子节点。仿真结果表明任务性能显著提升，尤其在频率主义概率估计以传感器信息为条件时。贪婪选择器无效，除非其前面有一段训练期，期间所有子节点都被执行。
引用
@article{arxiv.1606.09219,
title = {Simulation Results on Selector Adaptation in Behavior Trees},
author = {Blake Hannaford and Danying Hu and Dianmu Zhang and Yangming Li},
journal= {arXiv preprint arXiv:1606.09219},
year = {2016}
}