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
针对移动机器人在完成多个高级子任务中的新运动规划问题,本文提出了 HERACLEs,一个层次化一致性自然语言规划器,通过自动机理论确定机器人下一步应完成的子任务,使用大型语言模型设计满足这些子任务的机器人计划,并通过符合预测推理出计划的正确性和任务满足程度,并确定是否需要外部协助。
Sep, 2023
通过自动机表示 LTL 任务以及部分模拟未知系统动力学的神经网络,我们提出了一种新颖的深度强化学习(DRL)算法,其样本效率得以提高,能够更快速地学习控制策略,以在未知环境中的机器人导航任务中提高效率。
Nov, 2023
本文提出了一种使用线性时态逻辑公式生成机器人控制策略的方法,重点考虑了噪声传感器和执行器带来的影响,将其转换为马尔可夫决策过程来解决,包括案例分析。
Apr, 2011
基于逻辑规范引导的动态任务采样(LSTS)是一个新颖的方法,不像以前的方法,LSTS 不需要关于环境动态或奖励机器的信息,并且通过动态采样有希望导致成功目标策略的任务,来引导代理从初始状态到目标状态。在格局世界的评估中,LSTS 在复杂的顺序决策问题上表现出了比最先进的 RM 和自动机引导的 RL 基线更好的时间到达阈值性能,并且在部分可观测的机器人任务和连续控制机器人操纵任务中也比 RM 和自动机引导的 RL 基线表现出更高的样本效率。
Feb, 2024
本文给出了一种将有限路径线性时间逻辑(LTL)中的目标转化为行为树(BT)的方法,其中通过成就取向任务任务语法获得有用的 LTL 公式,为通过运用 LTL 运算符组合任务形成任务提供了可能,这产生了放松的行为综合问题,其中广泛的规划器可以实现 BT 中的动作节点,并且任何规划器产生的成功路径均满足相应的 LTL 公式。
Jul, 2023
本文提出一种基于学习的方法,通过算法生成 LTL 公式,并将其转换为结构化英语进而利用现代大型语言模型的改写功能来合成自然语言命令,从而减少人工数据依赖,以 75%的准确率将自然语言命令翻译成 LTL 规范,并发现该翻译的公式能够用于长视距的,多阶段任务的规划(以 12D 四旋翼为例)。
Mar, 2023
本文提出了一种新的多任务 RL 算法,通过离线策略学习选项来实现任务完成的全局最优性,并通过训练基于子目标序列的多步价值函数来更有效地传递满足未来子目标的奖励,从而解决了在 RL 中学习 LTL 任务代价函数时的一些问题。实验结果表明,该方法在 LTL 广义化方面具有优势。
Dec, 2022
本文讨论了在 Markov 决策过程中,使用 LTL 的公式作为代理规划的规范,通过形成多目标优化问题,从 MDP 中演示的行为轨迹中推断 LTL 规范,利用遗传编程解决该问题的有效性进行了证明。
Oct, 2017
Lang2LTL 是一个基于大型语言模型的新型系统,能够提取自然语言指令中的相关表达并将其转化为机器人的任务规范,使任何机器人系统能够在无需额外训练的情况下解释自然语言导航命令并执行多步骤的导航任务,以 88.4% 的平均准确性在 22 个未见过的环境下进行翻译,并成功整合进一个计划工具,驱动四足移动机器人在实验室中执行多步导航任务。
Feb, 2023