Abstracting Noisy Robot Programs
RWTH Aachen University（亚琛工业大学）；University of Edinburgh（爱丁堡大学）
抽象是一种常用的过程，通过更粗略的规范来表示一些低级系统，目的是在保留重要方面的同时省略不必要的细节。虽然最近关于情境演算抽象的工作主要集中在非概率领域，但我们描述了一种抽象概率和动态系统的方法。基于概率信念的情况演算的一个变体，我们定义了互模拟的概念，它允许抽象一个详细的概率基本动作理论与嘈杂的执行器和传感器由一个可能的非随机基本动作理论。通过这样做，我们得到抽象Golog程序，省略不必要的细节，可以翻译回一个详细的程序，用于实际执行。这简化了噪声机器人程序的实现，开辟了使用非随机推理方法的可能性（例如，规划）的概率问题，并提供更容易理解和解释的领域描述。
2023-03-01 cs.AI
I, Quantum Robot: Quantum Mind control on a Quantum Computer
Dipartimento di Matematica Pura ed Applicata（纯数学与应用数学系）
描述量子机器人的逻辑不是正统的量子逻辑，而是一种演绎演算，它再现了量子任务（计算过程和动作），并考虑了量子叠加和量子纠缠。采用量子元语言控制量子机器人是实现智能量子机器人的一种途径。量子元语言的物理实现可能是在大脑信号中使用相干态。
2009-05-28 cs.AI cs.LO cs.RO
Reformulating the Situation Calculus and the Event Calculus in the General Theory of Stable Models and in Answer Set Programming
Arizona State University（亚利桑那州立大学）
稳定模型语义下的限制和逻辑程序是两种著名的非单调形式化。前者是基于经典逻辑的动作形式主义的基础，如情境演算、事件演算和时态动作逻辑;后者是动作语言家族的基础，如语言A及其几个后代。基于对稳定模型的定义和稳定模型的语义在一类规范公式上的一致性的发现，我们重新定义了稳定模型一般理论中的情景演算和事件演算.我们还提出了一个翻译，把重新制定进一步的答案集程序，使高效的答案集求解器可以应用于计算的情况演算和事件演算。
2014-01-18 cs.AI cs.LO
Graph-based Global Robot Localization Informing Situational Graphs with Architectural Graphs
University of Luxembourg（卢森堡大学）；Interdisciplinary Centre for Security, Reliability and Trust（安全、可靠性与信任跨学科中心）
在本文中，我们提出了一种解决方案，足式机器人定位使用建筑计划。我们为实现这一目标作出了几项具体贡献。首先，我们开发了一种方法，用于将建筑物的平面图转换为我们所表示的建筑图（A-Graph）。当机器人开始在一个环境中移动时，我们假设它对此一无所知，它会估计其周围环境的在线情景图表示（S-Graph）。我们开发了一种新的图到图的匹配方法，以便将从机器人传感器在线估计的S-Graph与从建筑计划中提取的A-Graph相关联。请注意其中的挑战，因为S图可能显示完整A图的部分视图，它们的节点是异构的，它们的参考框架是不同的。在匹配之后，两个图被对齐和合并，从而产生我们所表示的信息情境图（iS-Graph），通过该图，我们实现了全局机器人定位和利用建筑计划中的先验知识。我们的实验表明，我们的管道显示出更高的鲁棒性和显着降低姿态误差比几个激光雷达定位基线。
2023-03-03 cs.AI cs.RO
A Hierarchical Situation Calculus
一个情况演算，提供了一个解决方案的框架问题的层次结构的情况下，也就是说，有一个模块化的结构，其中部分的情况下表现在一个相对独立的方式。这种情况演算是在一个关系，功能和模态逻辑形式。每一种形式都允许一个单级层次结构或多级层次结构，总共给出了六个版本的形式主义，以及这些版本的一些子版本。对于多级层次结构，可以在情况的各个部分之间给出等式，以在问题上施加额外的结构。这种方法相比，其他文献。
2003-09-29 cs.AI cs.LO
Self-Reflective Risk-Aware Artificial Cognitive Modeling for Robot Response to Human Behaviors
Colorado School of Mines（科罗拉多矿业学院）；University of Tennessee（田纳西大学）
为了使协作机器人（“co-robots”）在人机协作中准确有效地响应人类行为，对人类行为的解释，对新情况的感知以及适当的决策都是co-robots的关键能力。为此，人类行为应该由合作机器人以与人类同行相同的方式进行解释。为了解决这个问题，一个新的可解释性指标的介绍，使机器人的行动是适当的当前人类的行为。此外，在现实世界的应用中，完全考虑机器人环境的所有潜在情况几乎是不可能的，这使得合作机器人难以在新的场景中适当和安全地采取行动。即使预训练模型在已知情况下高度准确，也是如此。为了与人类进行有效和安全的合作，我们引入了一个新的泛化指标，允许合作机器人自我反思和推理，当观察结果超出合作机器人的学习模型时。基于主题模型和两个新的指标，我们提出了一个新的自我反思的风险意识人工认知（SRAC）模型。协作机器人能够考虑行动风险并识别新情况，以便做出更好的决策。使用真实世界数据集和物理机器人的实验表明，我们的SRAC模型显着优于传统方法，并能够更好地响应人类活动的决策。
2016-05-16 cs.AI cs.RO
Situation Calculus by Term Rewriting
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
一个版本的情况演算中的情况表示为一阶项。流利度可以从术语结构中计算出来，并且对情境的动作对应于对术语的重写规则。在某些情况下，仅依赖于或影响流畅度子集的动作可以被描述为对术语的子术语进行操作的重写规则。如果行动是双向的，那么有效的完成方法可以用来解决规划问题。这种情况和行动的表示与Thielscher \cite{Thielscher98}的流畅演算最相似，只是这种表示更灵活，并且更多地使用了子项结构。给出了一些例子，并提出了一些一般的方法来构造这样的重写规则集。本文于2019年12月23日提交给FSCD 2020。
2020-06-30 cs.AI cs.LO
STEER: Flexible Robotic Manipulation via Dense Language Grounding
Google DeepMind（谷歌DeepMind）；UC Berkeley（加州大学伯克利分校）
STEER通过密集语言接地训练模块化操作技能，连接高层推理与低层控制，使机器人能组合技能适应新情境或执行新任务，无需额外数据。
2024-11-05 cs.AI cs.RO
A Well-typed Lightweight Situation Calculus
University of California, Riverside（加州大学河滨分校）
情境演算在人工智能相关领域有着广泛的应用。这种形式主义被认为是逻辑程序设计语言的方言，主要用于动态领域建模。然而，类型系统几乎没有部署在文献中的情况演算。为了实现一个正确的和健全的有类型的程序编写的情况演算，将类型元素添加到当前的情况演算将是非常有帮助的。在本文中，我们建议增加更多的类型化机制，特别是在情况演算的三个基本元素：情况，动作和对象，然后执行严格的类型检查现有的情况演算程序，找出良好的类型和不良类型的。这样，基于我们的类型系统的类型检查可以保证情景演算程序的类型正确性和可靠性。这种轻量级的情况演算的修改版本被证明是一个强大的和良好的类型的系统。
2012-06-15 cs.AI cs.PL
Working Paper: Active Causal Structure Learning with Latent Variables: Towards Learning to Detour in Autonomous Robots
Computer Engineering Department, Universidad Autónoma de Madrid（马德里自治大学计算机工程系）
本文提出通过带有潜在变量的主动因果结构学习（ACSLWL）使自主机器人能主动构建因果模型，以应对环境变化，通过学习绕道行为提升效率。
2026-03-26 cs.AI cs.LG
Decidable Reasoning About Time in Finite-Domain Situation Calculus Theories
RWTH Aachen University（亚琛工业大学）；University of Oxford（牛津大学）；TU Wien（维也纳工业大学）
本文针对情境演算中基于实值时间函数的时间推理不可判定问题，提出引入时钟作为受限实值流，从而证明有限域基本动作理论的可达性可判定，并应用于Golog程序实现。
2026-10-14 cs.AI cs.LO
Perception-Intention-Action Cycle in Human-Robot Collaborative Tasks
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（工业机器人与信息研究所（西班牙国家研究委员会-加泰罗尼亚理工大学））
在这项工作中，我们认为，在人机协作（HRC）任务，HRC任务中的感知-动作循环不能完全解释人类和机器人的协作行为，它必须扩展到感知-意图-动作循环，其中意图是一个关键的话题。在某些情况下，代理意图可以被其他代理感知或推断，但在其他情况下，它必须被明确地告知其他代理以成功实现HRC任务的目标。知觉-意图-行动循环包括三个基本的功能过程：知觉-意图、情境意识和行动。感知和意图是情境意识的输入，情境意识评估当前的情境并将其投射到未来的情境中。代理接收此信息，计划并同意要执行的操作，并在执行HRC任务时修改其操作角色。在这项工作中，我们验证了联合物体运输任务中的感知-意图-行动循环，通过使用现实生活和社会力量的力模型对感知-意图-行动循环进行建模。感知的世界被投射到一个力的世界和人类的意图（感知或通知）也被建模为一个力，在HRC任务的行为。最后，我们表明，行动的角色（主从，合作，中立或对手）是固有的任何HRC任务，他们出现在不同的步骤中的一个合作序列的行动执行任务期间。
2022-06-01 cs.AI cs.HC cs.RO
Uncertainty-Aware Task Allocation for Distributed Autonomous Robots
New Mexico State University（新墨西哥州立大学）
本文讨论了分布式自主机器人（DAR）的态势感知的任务分配问题与不确定性。任务分配过程中的不确定性传播是通过使用Sigma-Point采样机制的Unscented变换来完成的。它具有很大的潜力，被用于通用的任务分配方案，在这个意义上说，没有必要修改现有的任务分配方法，已开发不考虑的不确定性的态势感知。所提出的框架进行了测试，在模拟环境中，决策者需要确定分配给多个移动飞行机器人的位置来作为已知的均值和协方差的随机变量的多个位置的最优分配。仿真结果表明，所提出的随机任务分配方法产生的分配比不考虑不确定性的总成本减少30%。
2021-07-21 cs.AI cs.RO cs.SY
MoRPI-PINN: A Physics-Informed Framework for Mobile Robot Pure Inertial Navigation
Autonomous Navigation and Sensor Fusion Lab (ANSFL)（自主导航与传感器融合实验室）；Hatter Department of Marine Technologies（海洋技术系）；Charney School of Marine Sciences（海洋科学学院）；University of Haifa（海法大学）
本文提出MoRPI-PINN框架，通过嵌入物理定律提升移动机器人惯性导航精度，实验证明其比其他方法准确率提升超85%。
2025-09-09 cs.AI cs.RO
Adaptive Prior Selection for Repertoire-based Online Adaptation in Robotics
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）；LORIA（洛林计算机科学与应用数学实验室）
基于库的学习是基于两步过程的数据高效的自适应方法，其中（1）在模拟中学习大量且多样的策略集合，以及（2）规划或学习算法根据当前情况选择最适当的策略（例如，损坏的机器人、新物体等）。在本文中，我们放松了以前的作品，一个单一的剧目是足够的适应的假设。相反，我们为许多不同的情况生成剧目（例如，在不同的楼层等）让我们的算法选择最有用的先验。我们的主要贡献是一个算法，APROL（自适应先验选择基于库的在线学习），以计划下一个行动时，将这些先验的机器人没有关于当前情况的信息。我们在两个模拟任务上评估APROL：（1）用机器人手臂推动各种形状和大小的未知物体;（2）用损坏的六足机器人完成目标任务。我们比较了“无重置试错”（RTE）和各种基于单一剧目的基线。结果表明，APROL解决这两个任务的交互时间比基线更少。此外，我们在一个真实的、受损的六足动物身上演示了APROL，它很快学会了选择补偿策略，通过避开路径上的障碍物来达到目标。
2020-03-03 cs.AI cs.LG cs.NE
Bounded Situation Calculus Action Theories
Sapienza Università di Roma（罗马第一大学）；York University（约克大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
本文研究了情境演算中的有界作用理论。有界作用理论是这样一种理论，它要求在每一种情况下，流的扩展中的对象元组的数量由给定的常数限制，尽管这种扩展在无限多的情况下通常是不同的。我们认为，这样的理论在应用中是常见的，要么是因为事实不会无限期地持续下去，要么是因为代理人最终忘记了一些事实，因为新的学习。我们讨论各类有界作用理论。然后，我们证明了验证一个强大的一阶变种的μ演算是可判定的，这样的理论。值得注意的是，这种变体支持跨情况的受控形式的量化。我们还表明，通过验证，我们实际上可以检查是否任意行动理论保持有界性。
2015-09-07 cs.AI
Reasoning about Noisy Sensors and Effectors in the Situation Calculus
与一个不完全已知的世界交互的智能体需要能够推理其行为的影响，并且为了获得关于该世界的进一步信息，他们需要使用某种传感器。不幸的是，动作的效果和从传感器返回的信息都容易出错。为了应对这种不确定性，智能体可以保持对世界状态的概率信念。有了概率信念，智能体将能够量化其行动的各种结果的可能性，并能够更好地利用从其易出错的行动和传感器收集的信息。在本文中，我们提出了一个模型，在该模型中，我们可以推理代理的概率程度的信念和这些信念的变化方式，作为各种行动的执行。我们建立在一个一般的逻辑理论的行动开发的赖特和其他人，形式化的情况演算。我们提出了一个简单的公理化，捕捉代理的信念状态和这些信念的方式改变时，执行的行动。我们的模型显示了一些直观合理的属性。
1998-09-09 cs.AI cs.LO
Quantifying Hypothesis Space Misspecification in Learning from Human-Robot Demonstrations and Physical Corrections
University of California, Berkeley（加州大学伯克利分校）
人类输入使自主系统能够提高其能力，并实现复杂的行为，否则自动生成具有挑战性。最近的工作集中在机器人如何使用这种输入-如演示或纠正-来学习预期的目标。这些技术假设人类期望的目标已经存在于机器人的假设空间内。实际上，这种假设往往是不准确的：总是会有这样的情况，即人可能关心机器人不知道的任务方面。没有这些知识，机器人就无法推断出正确的目标。因此，当机器人的假设空间被错误指定时，即使是跟踪目标不确定性的方法也会失败，因为它们会推理哪个假设可能是正确的，而不是任何假设是否正确。在本文中，我们认为，机器人应该明确地推理，它可以解释人类输入给定的假设空间，并使用情境的信心，告知它应该如何将人类输入。我们展示了我们的方法在7度的自由度机器人操作器学习两种重要类型的人的输入：演示的操作任务，和物理校正在机器人的任务执行。
2020-02-28 cs.AI cs.HC cs.LG
Abstraction of Nondeterministic Situation Calculus Action Theories -- Extended Version
Ronin Institute（罗宁研究所）；University of Oxford（牛津大学）；York University（约克大学）
基于非确定性情境演算和ConGolog，提出一个通过细化映射连接抽象与具体动作理论的智能体行为抽象框架，支持策略推理与综合，并证明了抽象层面的强FOND计划可细化为具体层面的有效计划。
2023-05-20 cs.AI cs.LO
Belief change with noisy sensing in the situation calculus
Queen’s University Belfast（贝尔法斯特女王大学）
情境演算在人工智能中被广泛应用于对动态系统中的行为和变化进行建模和推理。由于Agent的行为会引起Agent信念的不断变化，如何管理这些变化是一个非常重要的问题。Shapiro等人[22]是考虑这个问题的研究之一。然而，在这个框架中，没有考虑在现实世界的应用中经常出现的噪声感测的问题。因此，在这个框架中，嘈杂的感知行动将导致代理面临不一致的情况，随后代理不能继续前进。在本文中，我们探讨如何嘈杂的感知行动可以处理迭代信念变化的情况演算形式主义。我们扩展了[22]中提出的框架，具有管理噪声感知的能力。我们证明了一个代理仍然可以检测到的实际情况时，嘈杂的传感动作与准确的传感动作的比例是有限的。我们证明了当所有感知动作都是准确的时，我们的框架包含了[22]中的迭代信念改变策略。此外，我们证明了我们的框架可以充分处理信念内省，错误信念，信念修正和信念更新，即使有噪声感知，如[22]中仅使用准确的感知动作。
2012-02-14 cs.AI
Hybrid Temporal Situation Calculus
York University（约克大学）；Sapienza Università di Roma（罗马第一大学）；Ryerson University（瑞尔森大学）
赖特的时间情境演算行动理论对连续变化的建模能力引起了人们的极大兴趣。在本文中，我们提出了一个新的发展，他的方法，这是直接启发的混合系统在控制理论。具体来说，在保持赖特的公理化的基础上，我们提出了一个优雅的扩展他的方法，增加了一个时间参数，代表连续变化的所有流畅。因此，我们确保变化不仅会因为行动而发生，而且会因为时间的推移而发生。我们提出了一个系统的方法来推导，从简单的前提，一组新的公理，指定如何连续流畅度随时间变化的情况。我们研究回归我们的新的时间基本行动理论，并证明什么推理问题可以解决。最后，我们正式表明，我们的时间基本行动理论确实捕获混合自动机。
2018-07-12 cs.AI
Situation Calculus for Synthesis of Manufacturing Controllers
Sapienza Università di Roma（罗马大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Nottingham（诺丁汉大学）；RMIT University（皇家墨尔本理工大学）
制造业正在从大规模生产模式过渡到制造即服务模式，其中制造设施“投标”生产产品。为了决定是否对复杂的、先前看不见的产品进行投标，制造设施必须能够“在运行中”综合工艺计划控制器，该工艺计划控制器将所提供的工艺配方中的抽象制造任务委托给适当的制造资源，例如，数控机床，机器人等以前的工作中应用人工智能行为合成工艺规划控制器只考虑有限状态的特设表示。在这里，我们研究的问题，在关系设置的情况演算。通过利用最近的工作抽象的情况演算，工艺配方和可用的资源表示ConGolog程序，分别是一个抽象的和具体的行动理论。这使我们能够在一个正式的，一般的框架中捕捉问题，并显示有界行动理论的情况下的可判定性。我们还提供了实际合成控制器的技术。
2018-07-12 cs.AI
A Situation Calculus-based Approach To Model Ubiquitous Information Services
提出了一种基于增强情境演算的泛在信息服务自主计算模型。为了使其实用的商业开发和更容易支持无处不在的信息服务所施加的自治范式，我们在Reiter的标准情境演算的基础上进行了改进。首先，我们探讨了流与演化的内在联系：由于并非所有流都对系统的演化有贡献，而且某些流可以由另一些流导出，因此，我们将那些足以决定系统演化势的流定义为决定流，并证明了决定流的后继状态满足马尔可夫性质。然后，在我们建立的演算框架内，我们引入有效性理论来模拟具有特定应用有效性要求的自治服务，包括：有效性流来公理化有效性要求，启发式的多个替代服务选择，从完全接受，部分接受，完全拒绝，和有效性保证的政策，将这些替代服务选择组成有机的，可计算的服务。我们的方法是证明了一个无处不在的服务，ACS，在整个文件。
2004-04-02 cs.AI cs.HC
A Framework for Decision-Theoretic Planning I: Combining the Situation Calculus, Conditional Plans, Probability and Utility
University of British Columbia（不列颠哥伦比亚大学）
本文展示了我们如何将行动的逻辑表示和决策理论以一种对两者来说都很自然的方式结合起来。特别是，我们假设一个公理化的域的情况演算，使用什么基本上是赖特的解决方案的框架问题，在完成的公理定义的状态变化。不确定性是根据独立选择逻辑来处理的，独立选择逻辑允许独立的选择和给出选择结果的逻辑程序。作为结果的一部分，是（最终）状态效用的规范。机器人采用机器人计划，类似于GOOGLE程序设计语言。在这个逻辑中，我们可以根据行动、不确定性和效用的公理化来定义条件计划的预期效用。什么？规划问题就是要找到期望效用最高的方案。这与POMDPs最近的结构化表示有关;在这里，我们使用随机情景演算规则来指定状态转移函数和奖励/价值函数。最后，我们表明，与随机框架公理，行动表示在概率BCPPS是指数大于使用这里提出的表示。
2013-02-13 cs.AI
Abstracting Situation Calculus Action Theories
IGDORE；University of Oxford（牛津大学）；Sapienza University of Rome（罗马第一大学）；York University（约克大学）
本文基于情境演算与ConGolog提出智能体抽象框架，通过细化映射和互模拟定义可靠/完全抽象，并给出验证条件与约束，使高层推理可细化到低层执行，同时支持对低层行为的高层跟踪与解释。
2024-10-09 cs.AI cs.LO
A Logical Semantics for PDDL+
York University（约克大学）；Ryerson University（瑞尔森大学）
PDDL+是PDDL2.1的扩展，它包含了全功能的自治过程，并允许更好地建模混合离散-连续域。与PDDL2.1不同，PDDL+缺乏逻辑语义，而是依赖于状态转换语义，并为连续状态提供了混合自动机语义。这种复杂的语义使得分析和比较其他动作形式主义困难。在本文中，我们提出了一个自然的扩展赖特的情况演算理论的启发混合自动机。PDDL+和混合自动机之间的亲属关系，使我们能够开发一个直接的映射PDDL+和情况演算，从而提供PDDL+的逻辑语义和情况演算与现代方式表示自治进程。我们概述了映射的潜在好处，提出了一种新的方法来有效规划PDDL+。
2021-11-23 cs.AI cs.LO
Logic, Probability and Action: A Situation Calculus Perspective
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
逻辑和概率的统一是人工智能中长期关注的问题，更广泛地说，是科学哲学中的问题。从本质上讲，逻辑提供了一种简单的方法来指定必须在每个可能世界中保持的属性，概率允许我们进一步量化必须满足属性的世界的权重和比例。为此，已经进行了许多开发，最终提出了诸如概率关系模型之类的建议。虽然这一进展是值得注意的，一个通用的一阶知识表示语言的原因概率和动态，包括在连续设置，仍然是出现。在本文中，我们调查最近的结果有关集成的逻辑，概率和行动的情况演算，这可以说是最古老和最知名的形式主义之一。然后，我们探讨减少定理和编程接口的语言。这些结果是在认知机器人的背景下（正如Reiter和他的同事所设想的那样）为了具体化而产生的。总的来说，证明这种通用语言的结果的优点是，可以使它们适应任何特殊用途的片段，包括但不限于流行的概率关系模型。
2020-06-17 cs.AI cs.LG cs.LO
Logical foundations of Smart Contracts
School of Electrical Engineering；Computer Science University of Ottawa Ottawa, Canada
针对智能合约实现需复杂形式化方法的问题，提出以情景演算为逻辑基础，用其衍生语言Golog实现智能合约，以解决动态复杂系统的形式化描述难题。
2025-02-13 cs.AI cs.LO
A Counterfactual Cause in Situation Calculus
State Key Laboratory for Novel Software Technology \& School of Artificial Intelligence, Nanjing University, China School of Informatics, The University of Edinburgh, UK
本文提出基于反事实分析的原因概念，扩展到成就原因，并分析其与Batusov和Soutchanski的成就原因及Halpern和Pearl的实际因果性理论的关系。
2026-07-24 cs.AI
Planning as Theorem Proving with Heuristics
Toronto Metropolitan University（多伦多都会大学）
本文提出一种基于情境演算和A*搜索的定理证明提升启发式规划器，虽速度较慢但能生成更短计划并探索更少状态，证明该方法是可行的。
2023-06-20 cs.AI cs.LO
A Translation of Probabilistic Event Calculus into Markov Decision Processes
University College London（伦敦大学学院）；Università del Salento（萨勒诺大学）
本文提出将概率事件演算（PEC）形式化转换为马尔可夫决策过程（MDP）的方法，通过引入动作执行情境保留PEC的灵活语义，使MDP的算法工具可应用于PEC叙事领域，并支持将学习策略映射回可解释的PEC表示。
2025-07-17 cs.AI cs.LO
Robot Task Planning and Situation Handling in Open Worlds
SUNY Binghamton（纽约州立大学宾汉姆顿分校）；Ford Motor Company（福特汽车公司）
本文提出开放世界任务规划算法COWP，利用大语言模型提取面向任务的常识来动态增强机器人动作知识，以处理执行时不可预见情境，实验表明其在服务任务成功率上显著优于现有基线。
2024-09-29 cs.AI cs.RO
CARMA: Context-Aware Situational Grounding of Human-Robot Group Interactions by Combining Vision-Language Models with Object and Action Recognition
Honda Research Institute Europe（本田欧洲研究院）；Honda Research Institute USA（本田美国研究院）
CARMA系统结合视觉语言模型与物体及动作识别，通过唯一识别实体物理实例并构建动作执行者-物体-动作的锚定三元组，解决人机群组交互中的情境锚定问题，为时空推理和情境决策提供稳健基础。
2025-06-25 cs.AI cs.HC cs.RO
Integrating Action Knowledge and LLMs for Task Planning and Situation Handling in Open Worlds
The State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；Ford Motor Company（福特汽车公司）
针对开放世界中机器人任务规划易遇不可预见情境的问题，提出整合LLMs与动作知识的COWP框架，动态扩充动作知识以处理新情境，在含1085个情境的数据集上服务任务成功率优于基线，并经移动操作机器人验证。
2023-10-05 cs.AI cs.RO
Fast Online Adaptation in Robotics through Meta-Learning Embeddings of Simulated Priors
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）
Meta学习算法可以通过为动态模型找到初始参数集来加速基于基于模型的强化学习（MBRL）算法，使得模型可以被训练成仅用几个数据点来匹配系统的实际动态。然而，在现实世界中，机器人可能会遇到从电机故障到发现自己处于岩石地形的任何情况，其中机器人的动力学可能彼此显著不同。在本文中，首先，我们表明，当元训练情况（先验情况）具有如此多样的动态时，使用单个元训练参数集作为起点仍然需要从真实系统中进行大量观察，以学习有用的动态模型。其次，我们提出了一种名为FAMLE的算法，它通过元训练几个初始起始点（即，初始参数）用于训练模型，并允许机器人选择最合适的起始点，以仅用几个梯度步长使模型适应当前情况。我们比较了FAMLE与MBRL，MBRL与MAML的元训练模型，以及用于各种模拟和真实机器人任务的无模型策略搜索算法PPO，并表明FAMLE允许机器人在比基线明显更少的时间步长内适应新的损伤。
2021-01-06 cs.AI cs.LG cs.RO
Quantifying knowledge with a new calculus for belief functions - a generalization of probability theory
VU University Amsterdam（阿姆斯特丹自由大学）
我们首先表明，有实际的情况下，例如法医和赌博的设置，其中应用古典概率论，即基于公理的柯尔莫哥洛夫，是有问题的。然后，我们介绍和讨论Shafer信念函数。从技术上讲，Shafer置信函数概括了概率分布。从哲学上讲，它们属于个体或共同的事实知识，而不是事实本身，因此可以解释为广义的认识概率，即认识论解释的概率论。置信函数比古典概率分布更灵活，更适合处理某些类型的不确定性。我们开发了一种新的演算的信念功能，不使用备受批评的Dempster的规则组合，通过概括的经典概念的条件和独立性，在一个自然的和无可争议的方式。使用这种演算，我们解释我们拒绝登普斯特规则的详细。我们将新的理论应用到一些例子中，包括赌博的例子和法医环境中的例子。我们证明了大数定律的信念功能，并提供了一个投注的解释类似于荷兰书定理的概率分布。
2015-12-02 cs.AI math.PR
