面向可部署多机器人协作的符号引导决策转换器
机器人学
2025-08-20 v1 人工智能
摘要
强化学习 (RL) 在机器人操作中展现出巨大潜力,但其数据密集型特性以及对马尔可夫决策过程 (MDP) 假设的依赖,限制了其在复杂动力学和长期时间依赖性场景(如多机器人操作)中的实际部署。决策转换器 (DT) 作为一种基于因果转换器进行序列建模的离线替代方案,正涌现为一种有前景的方案。然而,DT 在多机器人操作中仍属探索阶段。为填补这一空白,本文提出一种新框架,符号引导决策转换器 (SGDT),将神经符号机制与因果转换器相结合,以实现可部署的多机器人协作。在提出的 SGDT 框架中,神经符号规划器生成由符号子目标构成的高层次任务导向计划。受这些子目标指引,以目标为条件的决策转换器 (GCDT) 执行多机器人操作的低层顺序决策。该层次结构使复杂多机器人协作任务能够实现结构化、可解释且可泛化的决策。我们在多种任务场景下评估了 SGDT 的性能,包括零样本和少样本场景。据我们了解,本文是首次将 DT 技术应用于多机器人操作。
引用
@article{arxiv.2508.13877,
title = {Toward Deployable Multi-Robot Collaboration via a Symbolically-Guided Decision Transformer},
author = {Rathnam Vidushika Rasanji and Jin Wei-Kocsis and Jiansong Zhang and Dongming Gan and Ragu Athinarayanan and Paul Asunda},
journal= {arXiv preprint arXiv:2508.13877},
year = {2025}
}