May, 2024

一种面向容错执行器的最优弹性规划模型

PDF
TL;DR机器人在组件故障的情况下需要调整其行为，以便在降低能力的条件下实现仍然可达的目标。我们在马尔可夫决策过程（MDP）框架中提出了在提前已知易受故障的执行机构的情况下进行规划的问题。该模型捕捉了基于利用驱动的故障和状态 - 动作相关的执行机构故障概率，以便推理潜在损伤和降低未来控制的长期影响。这导致了与忽略故障的计划有质的差异的行为。随着执行机构的故障，可能会出现组合数目众多的配置。我们识别出通过重用来节省计算的机会，利用不同配置产生密切相关问题的观察结果。我们的结果展示了如何获得战略解决方案，使机器人在故障发生时能够做出响应，例如谨慎地安排利用率以保留关键的执行机构。
发现论文，激发创造
  • 机器人装配及其他试错任务的最优决策

    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

  • 人机协作的强韧机器人规划

    本研究提出了一种基于马尔可夫决策模型的方法，针对人与机器人合作中存在的不确定性，自动推导出可能的人类行为策略，并提出了一种基于部分可观察的马尔可夫决策过程的机器人计划算法。实验结果表明该方法可实现合作任务的稳定性和高效性。

    Feb, 2023

  • 面向敏捷自主机器人在未知环境中的导航与恢复的基于 GP 的鲁棒运动规划框架

    提出了一种基于高斯过程（GP）的模型，用于主动检测未来运动规划失败的风险，并在风险超过阈值时触发恢复行为来从事实现目标的安全状态。该方法仅在仿真环境中进行训练，并可以泛化到不同机器人平台的实际环境中。仿真和物理实验证明了该框架既能预测规划器的失败，又能将机器人恢复到可能成功规划的状态，并以敏捷的运动方式进行操作。

    Feb, 2024

  • 人机协作适应性的数学模型

    本文概述了机器人与人合作的概率规划和博弈论算法的研究，包括不确定性建模和对人类内部状态和变化的推理，以及在多个实际场景下实现的具体行为。

    Jul, 2017

  • 模型不确定性下的稳健主动测量

    在序列决策中，部分可观测性和不确定性是常见问题，对于使用马尔可夫决策过程（MDPs）等形式模型造成阻碍。然而，在实践中，代理可以使用昂贵的传感器来测量环境并通过收集信息来解决部分可观测性问题。此外，不精确的转移函数可以捕捉模型不确定性。我们将这些概念结合起来，扩展 MDPs 为鲁棒主动测量 MDPs (RAM-MDPs)。我们提出了一种用于高效解决 RAM-MDPs 的主动测量启发式算法，并展示了模型不确定性可以让代理方采取更少的测量，这是违反直觉的。同时，我们提出了一种方法来抵消这种行为，只产生有限的额外成本。我们通过与几种基准方法进行实证比较，并展示了其卓越的可伸缩性和性能。

    Dec, 2023

  • 四足机器人在执行器退化场景中的自适应控制策略

    该论文引入一种基于强化学习的先导教师 - 学生框架，称为 Actuator Degradation Adaptation Transformer（ADAPT），旨在解决实际部署四足机器人上的问题。这个框架产生了一种统一的控制策略，使机器人能够在关节执行器突然故障的情况下维持其运动，并在依赖于内部传感器的情况下执行任务。对 Unitree A1 平台进行的实证评估验证了 ADAPT 在真实环境中对四足机器人的可部署性和有效性，并证实了我们方法的鲁棒性和实用性。

    Dec, 2023

  • 强健的马尔可夫决策流程即时学习

    本文介绍了一种鲁棒的任意学习方法，该方法结合了贝叶斯推断模型和计算稳健策略的方法，以不确定性马尔科夫决策过程（uMDPs）为基础，并通过实验验证了该方法的有效性。

    May, 2022

  • 短期预测实现长期规划

    通过将规划问题分为两个阶段（预测和建模），使用递归神经网络，利用监督学习技术通过对输入节点进行优化来解决长期规划问题，从而在自动驾驶应用中学习鲁棒政策，并纳入敌对因素以优化环境。

    Feb, 2016

  • 机器学习与定量规划的结合：使自主机器人实现自适应

    本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法，以应对系统运行期间不一致性的挑战，并在机器人任务中进行了实验。

    Mar, 2019

  • 机器人中的部分可观察马尔可夫决策过程：综述

    这篇综述文章研究多种机器人领域中使用部分可观察马尔可夫决策过程（POMDP）的数学模型和算法，分析它们的特点，并提供适用的决策任务的关键任务特性。

    Sep, 2022