闭环机器人反应式规划的模型检测
本文介绍了一个用于验证机器人安全和可靠性需求的概率模型检查框架,并使用两种新型估计器(基于保守贝叶斯推断和不精确概率模型)从实际操作数据中学习未知的转移参数。在极端环境下的无人潜水器实际部署数据上演示了该方法。
Dec, 2018
通过定义一组离散且临时的闭环控制器(称为 “任务”)以及引入一种对物理学和因果关系具有内在理解的监督模块,我们提出了一种解决在机器人技术中尚未实现的,使用纯闭环输入控制的复杂计划执行方法。我们通过模拟任务序列的执行并将结果存储在环境模型中,基于该模型构建计划,从而可以实现链式的临时闭环控制器。该框架已经在一个真实机器人上实施,并在两个场景中进行了概念验证。
Feb, 2024
本文综述了概率模型检测在 PRISM 和 PRISM-games 模型检查器支持下的可观测和不可观测马尔可夫决策过程、顺序和并发随机博弈以及相关概率时态逻辑,以及其在自主系统中的应用,并探讨了未来研究方向和挑战。
Nov, 2021
通过深度结构模型的数据驱动反应式规划目标,允许自动驾驶车辆在制定自己的计划的同时,联合推理其他参与者的行为,能够更快地完成高度复杂的机动(道路合并 / 拐弯),而不会牺牲碰撞率,比非反应式情况更具优势
Jan, 2021
本文提出了一种最小干预的安全控制器,通过使用到达性分析构建实时控制器,实现单车道场景中无碰撞互动的自动驾驶汽车交通合作,并验证其有效性及安全性。
Dec, 2018
为了确保机器人等自主车辆的广泛部署,本文提出了一种新的闭环范式用于综合安全控制策略,明确考虑系统在可能的未来情景下的演变不确定性,通过物理动力学和机器人的学习算法共同推理,利用对抗深度强化学习进行放大,展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。
Sep, 2023
通过一个新的闭环评估基准测试 interPlan,本文评估了现有的最先进的规则和学习驱动的规划器,并展示了它们都无法安全地导航 interPlan 场景。同时,本文还引入了一种基于大型语言模型 (LLM) 的行为规划器和基于规则的运动规划器的混合规划器,该混合规划器在我们的基准测试上达到了最先进的性能。
Apr, 2024
我们提出了一种 “生成 - 测试” 方法,用于在无已知动力学模型的自主移动代理中以有界风险进行规划,并使用变分自动编码器学习潜在线性动力学模型来生成候选轨迹。
Apr, 2024
模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果,将测试误差从 6.4%降低到 4.6%,即使应用于以前未见的城市。
Jun, 2024