自动检测和恢复机器人故障是一个重要而具有挑战性的问题。我们提出了一种将学习与符号搜索相结合的方法，用于自动化的错误发现和恢复，无需故障的注释数据。我们的方法的核心是一种神经符号化状态表示，通过环境中存在的对象构建稠密场景图形的形式进行结构化。这使得我们能够高效地学习过渡函数和鉴别器，不仅可以识别故障，而且还可以定位故障，从而通过计算启发式距离函数实现快速重新规划。我们还提出了我们算法的任意版本，在重新规划预算范围内寻找原始计划中的子目标，以最小化到目标的总距离。在物理模拟器上进行了一系列模拟故障的实验，与现有基线相比，我们的方法在效率和恢复机制的准确性方面表现出良好的效果。

May, 2024

本文介绍了一种在采样效率高的情况下，通过先在模拟器中探索当前策略的失效模式，然后学习额外的恢复技能以处理这些失效来增加其鲁棒性的通用方法，提出了在线算法 MetaReSkill 用于监视所有恢复策略的进展，并将学习资源分配给最有可能改善任务表现的恢复；并以开门为例使用我们的方法来学习恢复技能，并对其进行了模拟和实体机器人测试，证明了我们的方法可以将任务成功率从 71% 提高到 92.4%（模拟中）和 75% 提高到 90%（实际测试中）

Sep, 2022

提出了一种基于 LLM（Large Language Models）的框架 REFLECT，将多感官数据转换为机器人过去经历的分层总结，并使用递进的故障解释算法查询 LLM。该框架能够生成信息丰富的故障解释，辅助成功的纠错计划。

Jun, 2023

LLMs 使用工具检索知识、在网络上执行任务甚至控制机器人，本文介绍了一个框架来更广泛地研究模型对探测 ' 静默 ' 工具错误的能力，并对如何规划进行反思，以更直接地与模型作为工具的流行用途相一致。我们提供了一个初步的故障恢复方法，在控制计算器设置和实体代理规划方面取得了有希望的结果。

Jun, 2024

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

本文研究利用符号方法跟踪故事状态和帮助故事理解，通过对 CoRRPUS 系统和抽象提示过程的研究，表明我们的方法可以在最小的手动工程条件下，打败当前的有结构的语言模型技术，希望这项研究能够强调符号表示和专门提示对 LLM 的重要性。

Dec, 2022

通过基于贝叶斯高斯混合模型的两条途径的数据驱动模型，我们将自组织机器人网络的拓扑 (不可) 恢复性预测问题解决为一个二元分类问题，并成功地预测了典型问题的解决方案。

Oct, 2023

通过学习算法构建安全控制器以实现安全强化学习，提出了三阶段的架构 TU-Recovery Architecture，并通过辅助奖励来缓解对抗现象，以提高安全控制器在任务训练中的回报率和约束违规率。

Sep, 2023

本文提出了一种名为 Recovery RL 的算法，它通过利用离线数据来学习约束违规区域并将任务性能和约束满足的目标分别交给两个策略来平衡任务收益与安全性，并在六个仿真领域和一个物理机器人上进行了试验，证明 Recovery RL 在这些领域内比先前的安全 RL 方法具有更高的效率和表现。

Oct, 2020

通过机器学习中的失效预测和可重新启动的策略来降低机器人完成任务的时间和提高其行为表现。

Jan, 2023