Jan, 2022

使用数据分发服务的基于行为树的多移动机器人任务规划

PDF
TL;DR该研究提出基于行为树的多机器人任务规划框架，并利用数据分发服务进行通信，通过定义新类型的行为树行动和改善节点异步控制多机器人，实现了单一任务规划单元并支持异常恢复。
task planningbehavior treedata distribution servicemultiple robotsfault recovery
发现论文，激发创造
  • KT-BT: 多机器人系统中通过行为树进行知识转移的框架

    该论文提出一种名为 KT-BT 的知识转移框架，通过基于行为树的在线机制，在智能体之间实现了知识共享，从而提升了多机器人或多智能体系统的表现，以搜索和救援问题为例，进行了广泛的验证和研究。

    Sep, 2022

  • 混合人机团队角色分配与任务规划的一体化动态方法

    该研究提出了一个基于行为树的动态集成方法，用于规划和分配混合人机团队中的任务，可用于制造环境，并采用多个简化的在线优化子问题中解决角色分配问题，每个子问题都可以定义为混合整数线性规划。

    May, 2021

  • 机器人与人工智能中的行为树简介

    本书介绍了如何使用行为树来设计且高效地创建具有模块化和反应性的自主系统，并描述了行为树与早期开关结构的关系，以及如何使用状态空间描述对安全性、鲁棒性和效率进行正式分析，并展示了行为树在自动化规划和机器学习中的应用，最后描述了一组扩展工具以捕捉随机行为树的行为。

    Aug, 2017

  • 机器人和人工智能中行为树的调查

    本文综述了行为树在人工智能和机器人应用中的作用，通过对现有的文献资料进行分类和总结，结合模块化和层次化树结构，探讨了其在算法和人类分析方面的优点。同时，文章提出未来需要解决的一系列开放性问题。

    May, 2020

  • 从人类指令生成行为树的意图理解与最优行为规划的整合

    本研究提出了一个两阶段框架来生成行为树（BT），首先使用大型语言模型（LLMs）从高层指示中解释目标，然后通过最优行为树扩展算法（OBTEA）构建高效的目标特定行为树，在服务机器人中的实验证实了 LLMs 在产生语法正确和准确解释目标方面的熟练程度，证明了 OBTEA 在各项指标上相对于基线 BT 扩展算法的优越性，并最终确认了我们框架的实际部署能力。

    May, 2024

  • 多个时间任务下的最优成本偏好权衡规划

    本文提出一种新颖的优先级概念，可表达对每个任务及其关系的偏好，并通过对 A * 搜索的扩展来生成符合用户偏好和资源优化的帕累托最优计划。同时，通过多目标 A * 算法适应性改进计算所有最优的取舍，并提出一个问题无关搜索启发式以实现可扩展性，在移动机器人和机器人操纵者上展示框架的效力，达到了 2 个数量级的加速。

    Jun, 2023

  • 高斯置信度传播下的多机器人协作规划分配

    本文提出了一种基于高斯信念传播的分布式技术 GBP Planning，用于解决多机器人规划问题，该方法可以在复杂的场景中实现高效的协作规划并保持短、快速、平滑的轨迹。

    Mar, 2022

  • 混合人机团队中动态角色分配和协同任务规划的综合架构

    该研究提出了一种基于行为树的动态角色分配和协同任务规划的新型架构，使用混合整数线性规划来指定团队中个体的角色或协作，各种指标作为 MILP 成本允许体系结构支持协作的各个方面，并通过增强现实用户界面实现了人 - 系统之间的双向通信，以协调处理不同操作阶段的工人，并通过主观评估证明了该架构的高可用性和适用性。

    Jan, 2023

  • 机器人中的适应性恢复行为：基于行为树和动作生成器（BTMG）的故障管理方法

    在动态操作环境中，特别是在协作机器人中，失败的必然性要求具备强大和适应性的恢复策略。本文提出了一种创新的方法，将恢复行为建模为适应性机器人技能，利用行为树和动作生成器（BTMG）框架进行策略表示。该方法通过采用强化学习（RL）动态优化恢复行为参数，使机器人能够针对各种故障场景作出量身定制的响应，最大程度减少人类干预。通过在一个插孔任务中的一系列逐渐具有挑战性的场景中评估我们的方法，证明了该方法在提高协作机器人设定下的操作效率和任务成功率方面的有效性。我们使用一个双臂 KUKA 机器人对我们的方法进行验证。

    Apr, 2024

  • 实际执行中的任务和动作规划

    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