这篇文章研究了逻辑编程在机器人任务规划中的应用,探讨了不同规划器的适用性,为机器人设计师选择最佳工具提供支持。
Jan, 2023
本文探讨了智能物理系统作为具有体验认知的系统必须在管理底层控制架构的同时执行高级推理的问题,并提出了解决多目标操作相互协作的机制。
Jan, 2022
当对行为进行推理时,如通过任务规划或使用 Golog 进行机器人代理编程时,机器人的行为通常建模在抽象层次上,其中复杂的动作(例如拾取对象)被视为具有确定性效果和仅依赖于当前状态的前提条件的原子原语。然而,当在机器人上执行此类动作时,它不再被视为原始动作,而是涉及多个步骤、具有额外时态前提条件和时间约束的复杂任务。此外,该行为可能出现噪声,例如产生错误感知结果并且并非总是具有期望的效果。虽然这些方面通常被忽略在推理任务中,但在执行期间需要处理它们。在这篇论文中,我们提出了几种方法来填补这个差距。
Dec, 2023
通过引入分层结构的时态逻辑规范,将传统的机器人规划方法分解为多层组合规范,以提高语法简洁性、可解释性和规划效率,同时开发了一种基于分解的方法来处理具有分层时态逻辑结构的任务,实验结果表明分层形式具有更强的表达潜力,并且所提出的方法具有很好的效果,适用于机器人导航与操纵。
Aug, 2023
通过引入层次结构和基于搜索的方法,利用时间逻辑规范解决了多机器人系统的任务规划问题,并在可扩展性方面得到验证。
Jan, 2024
提出了一个在规划背景下进行伦理决策的框架,旨在应用于机器人。使用线性时间逻辑和词典偏好建模,提出了紧凑但高度表达的伦理规划语言,允许我们评估代理人的价值和欲望,引入了代理人的道德水平概念,并向多目标、多价值规划迈进。初步研究了规划任务的计算复杂性,并讨论了机器人的潜在应用。
Jun, 2022
复杂的机器人行为通常需要多种机器人和人工智能技术和组件的整合。使用一个形式化的框架来模拟组件之间的交互可以解决认知机器人面临的重大挑战之一。本文将现有的一个形式化框架扩展,以模拟机器人系统的复杂集成推理行为,从符号规划到策略和转换系统的在线学习,并允许更灵活地建模不同推理组件之间的交互。
Oct, 2023
该研究通过组合对离散任务领域和连续运动生成进行推理的混合规划方法,生成包含无法完全基于计划时间进行植入的行为的任务和运动计划,在执行过程中使用由人设计或学习的闭环行为处理此类行为,并通过反馈行为故障作为约束条件找到新的计划,从而在真实机器人试验中展示了更快的执行时间、更少的动作数量以及在出现多样化间隙问题时更高的成功率,并与最新技术进行了比较,提供实验数据供研究人员模拟这些情景,为机器人解决更多现实部分植入问题的适用类别展示了希望。
Jun, 2024
我们提出了一种算法,该算法利用概率生成建模与逻辑计划验证相结合,从人类团队的规划对话的处理形式中推断出最终计划。我们成功地通过人体实验验证了该算法,展示了基于 PR2 机器人的人 - 机协作任务的规划和执行。
Jun, 2013
智能机器人在规划和执行计划过程中,通过监测系统寻找机会,以解决复杂环境中执行失败的问题,并超过常规的重新规划策略。
Mar, 2024