Coordinating Task Switching in a Robotics Multi-Agent System Using Behavior Trees
LTI - Laboratório de Técnicas Inteligentes, Universidade de S a ~ \tilde{a} o Paulo, SP(智能技术实验室,圣保罗大学)
本文提出一种基于行为树的方法,用于在IEEE VSSS机器人足球多智能体系统中协调机器人行为,并通过与有限状态机的对比实验及竞赛验证其有效性。
2026-05-31 cs.MA cs.RO
Neural Tree Expansion for Multi-Robot Planning in Non-Cooperative Environments
California Institute of Technology(加州理工学院)
我们提出了一种自我改进的神经树扩展(NTE)方法,用于非合作环境中的多机器人在线规划,其中每个机器人在与其他自利机器人交互时试图最大化其累积奖励。我们的算法适应集中,完善的信息,离散动作空间的方法从AlphaZero分散,部分信息,连续的动作空间设置多机器人应用程序。我们的方法有三个相互作用的组成部分:(i)具有提供专家演示的大计算资源的集中式、完全信息“专家”蒙特卡罗树搜索(MCTS),(ii)具有实时运行并提供自玩示例的小计算资源的分散式、部分信息“学习者”MCTS,以及(iii)策略和值神经网络,其利用专家示范进行训练并且使专家和学习者树生长都偏置。我们的数值实验证明了神经树扩展的计算优势,找到了比MCTS更好的解决方案,其资源是MCTS的20倍。由此产生的政策是动态复杂的,展示机器人之间的协调,并发挥达到目标,避免差分游戏显着优于国家的最先进的控制理论基线的多机器人,双积分器系统。我们在空中蜂群上的硬件实验证明了神经树扩展的计算优势,可以在复杂场景中以20 Hz的频率使用有效的策略进行在线规划。
2021-07-09 cs.RO
IKT-BT: Indirect Knowledge Transfer Behavior Tree Framework for Multi-Robot Systems Through Communication Eavesdropping
University of Georgia(佐治亚大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
针对多机器人系统依赖直接通信共享信息的问题,提出基于行为树的IKT-BT框架,通过两种窃听更新模式实现间接知识迁移,经搜救任务仿真验证,能提升任务与知识传播效率并减少直接通信需求。
2023-12-19 cs.MA cs.RO
Bridging Probabilistic Inference and Behavior Trees: An Interactive Framework for Adaptive Multi-Robot Cooperation
School of Aeronautic and Astronautics, Zhejiang University(航空航天学院,浙江大学);Shanghai Huawei Technologies Co., Ltd(上海华为技术有限公司)
本文提出IIBT框架,结合概率推断与行为树,实现多机器人自适应协作,实验表明其能显著降低复杂度并保持鲁棒性。
2025-12-04 cs.RO
EmboTeam: Asymmetric State Grounding for Heterogeneous Multi-Robot Collaboration
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
EmboTeam通过PDDL将LLM推理转化为反应式行为树,提升多机器人协作任务的成功率和目标回忆率
2026-11-06 cs.AI cs.CV cs.LG
Automatic off-line design of robot swarms: exploring the transferability of control software and design methods across different platforms
Université libre de Bruxelles(布鲁塞尔自由大学);Toyota Motor Europe(丰田汽车欧洲公司)
本文首次研究自动离线设计生成的机器人集群控制软件及其设计方法在不同地面移动平台间的可迁移性,实验表明控制软件部分可迁移,但直接在新平台上应用可迁移设计方法性能更优。
2023-05-25 cs.MA cs.RO
Hardware Conditioned Policies for Multi-Robot Transfer Learning
The Robotics Institute(机器人研究所);Carnegie Mellon University(卡内基梅隆大学)
深度强化学习可用于学习灵巧的机器人策略,但将其转移到具有截然不同硬件属性的新机器人上具有挑战性。由于现代最先进的算法的高样本复杂性,为每个机器人硬件从头开始学习新策略也是非常昂贵的。我们提出了一种新的方法,称为\textit{Hardware Conditioned Policies},我们训练一个通用的政策条件下的机器人硬件的矢量表示。我们认为机器人在模拟不同的动力学,运动学结构,运动长度和自由度。首先,我们直接使用的运动学结构作为硬件编码,并显示出巨大的zero-shot转移到全新的机器人在训练过程中没有看到。对于zero-shot成功率较低的机器人,我们还证明了微调策略网络比从头开始训练模型更有效。在任务中,知道代理动力学是成功的重要因素,我们学习机器人硬件的嵌入,并表明以硬件编码为条件的政策往往会推广和转移。代码和视频可以在项目网页上找到:https://sites.google.com/view/robot-transfer-hcp。
2019-01-13 cs.AI cs.LG cs.RO
Three Cases of Connectivity and Global Information Transfer in Robot Swarms
Institute of Parallel and Distributed Systems, University of Stuttgart(斯图加特大学并行与分布式系统研究所)
在这项工作中,我们考虑三种不同的情况下,机器人-机器人的相互作用和由此产生的全球信息传输的机器人群。这些机制定义了系统的合作属性,并可用于设计集体行为。这三种情况下演示和讨论的基础上,在一群微型机器人“茉莉花”的实验。
2011-09-20 cs.RO
Behavior Tree Capabilities for Dynamic Multi-Robot Task Allocation with Heterogeneous Robot Teams
FZI Research Center for Information Technology(FZI信息技术研究中心)
针对异构机器人团队动态任务分配问题,提出基于行为树的能力建模与运行时拍卖分配系统,提升任务执行质量与团队灵活性。
2024-02-05 cs.RO
LLM-HBT: Dynamic Behavior Tree Construction for Adaptive Coordination in Heterogeneous Robots
School of Aeronautic and Astronautics, Zhejiang University(浙江大学航空宇航学院);Shanghai Huawei Technologies Co., Ltd.(上海华为技术有限公司)
提出一种基于LLM动态构建行为树的异构多机器人协同框架,通过闭环模块实现任务失败时的自适应重配置,在模拟与真实场景中显著提升了成功率、鲁棒性和可扩展性。
2025-10-11 cs.RO
A Complete Set of Connectivity-aware Local Topology Manipulation Operations for Robot Swarms
École Polytechnique de Montréal(蒙特利尔高等理工学院);Shahid Beheshti University(沙希德·贝赫什提大学);University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学)
机器人群体的拓扑结构影响共识的收敛速度和机器人的移动性。在本文中,我们证明了存在一个完整的一套本地拓扑操作操作,允许一个群拓扑结构的转换。这个集合是完备的,因为任何其他可能的操纵操作集合都可以由我们集合中的一系列操作来执行。这些操作是局部的,因为它们仅依赖于第一和第二跳邻居的信息来将网络图的任何初始生成树转换为具有相同数量的节点的任何其他连接树。我们的方法所提供的灵活性是类似于全球的方法,需要充分的知识的群体网络。我们证明了存在的一个序列的任何树到树的变换,并推导出序列的操作,以形成一条线或星从任何初始生成树。我们的工作提供了一个理论和实践的框架,拓扑控制的群体,建立全球性的财产,只使用本地信息。
2022-10-04 cs.RO
Knowledge Transfer Between Robots with Similar Dynamics for High-Accuracy Impromptu Trajectory Tracking
Vector Institute for Artificial Intelligence(矢量人工智能研究所);Electrical Power and Machines Department, Cairo University(开罗大学电力与机械系);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院);Department of Engineering, Aarhus University(奥胡斯大学工程系)
在本文中,我们提出了一种在线学习方法,该方法能够将为源机器人学习的逆动力学模型转移到目标机器人(例如,从一个四旋翼到具有不同质量或空气动力学特性的另一个四旋翼)。目标是利用来自源机器人的知识,使得目标机器人从第一次尝试起就以最少的数据收集和训练实现对任意轨迹的高精度轨迹跟踪。大多数现有的多机器人知识转移方法都是基于对从两个机器人收集的数据集的后分析。在这项工作中,我们研究了通过在线学习错误预测模块在机器人之间即兴传输模型的可行性。特别是,我们分析推导出的映射的形式学习的在线模块精确跟踪,提出了一种方法来表征机器人之间的相似性,并使用这些结果来分析整个系统的稳定性。所提出的方法是在模拟和实验验证两个不同的四旋翼执行即兴轨迹跟踪任务,四旋翼需要准确地跟踪任意手绘轨迹从第一次尝试。
2019-03-30 cs.RO
Learning Modular Neural Network Policies for Multi-Task and Multi-Robot Transfer
University of California, Berkeley(加州大学伯克利分校)
强化学习(RL)可以自动化各种机器人技能,但学习每一项新技能都需要大量的真实世界数据汇集和手动表示工程来设计策略类或功能。使用深度强化学习来训练通用神经网络策略,通过使用表达策略类减轻了人工表示工程的一些负担,但加剧了数据汇集的挑战,因为这种方法往往不如具有低维手工设计表示的RL有效。迁移学习可以通过使我们能够将信息从一种技能转移到另一种技能,甚至从一个机器人转移到另一个机器人来缓解这个问题。我们表明,神经网络的政策可以被分解为“特定于任务”和“机器人特定”的模块,其中特定于任务的模块在机器人之间共享,机器人特定的模块在该机器人上的所有任务之间共享。这允许在机器人之间共享任务信息,例如感知,并且在任务之间共享机器人信息,例如动力学和运动学。我们利用这种分解来训练混合匹配模块,这些模块可以解决训练过程中没有看到的新机器人任务组合。使用一种新的神经网络架构,我们证明了我们的转移方法的有效性,使zero-shot泛化与各种机器人和任务的模拟视觉和非视觉任务。
2016-09-22 cs.LG cs.RO
Multi-Robot Transfer Learning: A Dynamical System Perspective
University of Toronto(多伦多大学)
本文从动态系统角度研究多机器人迁移学习中的最优转移映射性质,提出无需详细动力学知识的算法,通过实验验证该算法在四旋翼平台间迁移学习中减少60-70%的误差。
2017-07-27 cs.LG cs.RO cs.SY
Multi-robot persistent surveillance with connectivity constraints
Institute of Networked and Embedded Systems, University of Klagenfurt(克拉根福大学网络化与嵌入式系统研究所)
移动机器人,特别是无人机(UAV),在监视和灾难响应场景中越来越受到关注。我们考虑的问题,多机器人持续监视与连接的限制,机器人定期访问传感位置,并保持多跳连接到基站。我们正式定义了几个与具有连接性约束的多机器人持续监视密切相关的问题实例,即,连通性约束多机器人持续监视(CMPS)、连通性约束多机器人可达性(CMR)和连通性约束多机器人可达性(CMRD),并证明了它们在一般图上都是NP-难的.我们介绍了三个具有不同的规划视野的凸网格图,并结合这些树遍历的方法,可应用于分区的非凸网格图(CMPS与树遍历,CMPSTT)。在模拟研究中,我们表明,一个短的地平线贪婪的方法,它需要预先优化的参数,可以胜过一个完整的地平线的方法,这需要通过所有的传感位置之旅,如果机器人的数量大于所需的最小数量的机器人到达所有的传感位置。所需的最小数量是建立从基站到最远感测位置的链所需的机器人数量。此外,我们表明,分区的区域和应用树遍历的方法可以达到类似的性能,未分区的情况下,一定数量的机器人,但需要更少的优化时间。
2019-09-17 cs.DS cs.RO
From Cooking Recipes to Robot Task Trees -- Improving Planning Correctness and Task Efficiency by Leveraging LLMs with a Knowledge Network
University of South Florida(南佛罗里达大学)
本文提出利用LLM检索食谱并用微调GPT-3生成任务树,再通过任务树检索合并多输出为图以剔除可疑和高成本节点,从而提升机器人烹饪规划的正确性与执行效率。
2023-09-17 cs.AI cs.RO
Behavior Tree-Based Task Planning for Multiple Mobile Robots using a Data Distribution Service
Yonsei University(延世大学);Hyundai Robotics(现代机器人公司)
在这项研究中,我们提出了多个机器人的任务规划框架,建立在一个行为树(BT)。BT与数据分发服务(DDS)通信以发送和接收数据。由于标准BT来自一个根结点与一个单一的滴答是不适合多个机器人,一种新型的BT行动和改进的节点,提出了通过DDS异步控制多个机器人。为了有效地规划机器人的任务,一个单一的任务规划单元实现了建议的任务类型。任务规划单元通过单个合并的BT同时向每个机器人分配任务。如果任何机器人在执行其指定任务时出现故障,则执行嵌入在机器人中的另一个BT;机器人进入恢复模式以克服故障。为了执行该功能,BT中对应于任务的动作被定义为变量,该变量与DDS共享,使得可以在任务规划单元和机器人之间交换任何动作。为了证明我们的框架在现实世界中的应用的可行性,三个移动机器人进行了实验协调,他们交替旅行到四个目标位置的建议通过DDS的单一任务规划单元。
2022-05-30 cs.AI cs.MA cs.NI
Task Tree Retrieval For Robotic Cooking
University Of South Florida(南佛罗里达大学)
本研究围绕机器人烹饪的任务规划问题,基于FOON知识表示框架,通过知识检索调取功能单元信息生成任务子图,实现给定食谱的任务树规划,支持机器人按指令完成烹饪。
2023-11-27 cs.AI cs.RO
Sensing and Navigation of Aerial Robot for Measuring Tree Location and Size in Forest Environment
The University of Tokyo(东京大学)
本文介绍了一种在森林环境中自主测量树木位置和大小的空中机器人传感和导航系统的实现。虽然林业是日本的重要产业,但林业工作人口正在减少。然后,作为林业机械化的一个应用,提出了利用空中机器人在三维空间中的高度机动性进行树木数据汇集的系统。首先,我们发展了树木的识别和测量方法,以及生成树木数据库的算法。其次,介绍了基于树识别的空中机器人导航系统。最后,我们提出了一个实验结果,其中一个空中机器人在森林中飞行,并收集树木数据。
2023-02-12 cs.RO
Task Tree Retrieval for Robotic Cooking
机器人被用来培养创造力。人类可以根据情况以其独特的方式完成工作。这种情况适用于烹饪食物。厨房中的机器人技术可以加快这一过程并减少其工作量。然而,机器人在厨房中的潜力仍未实现。在这篇文章中,FOON的想法,一个结构化的知识表示建立在人类操作的见解,介绍。为了降低失败率,并确保任务有效地完成,已经实现了三种不同的算法,其中根据运动的成功率将加权值分配给操作。这个知识表示是使用开源食谱的视频创建的
2022-11-03 cs.AI cs.RO
Behavior Trees in Robot Control Systems
KTH Royal Institute of Technology(KTH皇家理工学院)
在本文中,我们将给出一个控制理论的角度来看,在机器人的行为树的研究领域。行为树的核心思想是利用模块化、层次化和反馈,以处理多功能机器人控制系统的复杂性。模块化是一种众所周知的工具,通过在不了解整个系统的详细知识的情况下实现单独模块的开发、调试和扩展来处理软件复杂性。这种模块的层次结构是自然的,因为机器人任务通常可以分解为子任务的层次结构。最后,反馈控制是用于处理任何低级别控制系统中的不确定性和干扰的基本工具,但是为了在更高级别上实现反馈控制,其中一个模块决定执行哪个子模块,需要在模块接口中共享关于每个子模块的进度和适用性的信息。我们将描述这三个概念如何用于理论分析,实际设计,以及与控制理论和机器人学的其他思想的扩展和组合。
2022-03-24 cs.AI cs.RO
Execution Semantics of Behavior Trees in Robotic Applications
UNIGE(日内瓦大学);IIT(意大利技术研究院);BOSCH(博世集团);UNITN(特伦托大学)
本文针对机器人应用中行为树缺乏形式化执行语义且实现间存在差异的问题,提出一种抽象数据类型来形式化其结构与执行,从而为多数特征提供无歧义的处理。
2025-04-10 cs.AI cs.RO
Robot Behavior-Tree-Based Task Generation with Large Language Models
Purdue University(普渡大学)
目前,行为树作为机器人任务的表示方法,由于其模块化和可重用性而越来越受欢迎。手动设计行为树任务是耗时的机器人终端用户,因此有必要调查自动行为树为基础的任务生成。现有的基于行为树的任务生成方法主要集中在固定的原始任务上,缺乏对新任务域的推广能力。为了解决这个问题,我们提出了一种新的基于行为树的任务生成方法,利用最先进的大语言模型。我们提出了一个阶段步骤提示设计,使层次结构的机器人任务生成,并进一步将其与行为树嵌入为基础的搜索,以建立适当的提示。通过这种方式,我们实现了自动和跨域的行为树任务生成。我们的基于行为树的任务生成方法不需要一组预定义的原始任务。最终用户只需要描述一个抽象的期望任务,我们提出的方法可以快速生成相应的行为树。提供了一个全过程案例研究来演示我们提出的方法。进行消融研究,以评估我们的阶段步骤提示的有效性。介绍并讨论了阶段-步骤提示的评估和大语言模型的局限性。
2023-02-24 cs.AI cs.CL cs.RO
A Survey of Behavior Trees in Robotics and AI
Royal Institute of Technology (KTH)(皇家理工学院);ABB Future Labs(ABB未来实验室);ABB Corporate Research(ABB企业研究院);SAAB Aeronautics(萨博航空);ABB Robotics(ABB机器人)
行为树(BT)是作为一种在计算机游戏中实现模块化AI的工具而发明的,但在过去十年中,它在机器人社区中受到了越来越多的关注。随着对智能体AI复杂性的要求不断提高,游戏程序员发现他们使用的有限状态机(FSM)扩展性差,难以扩展,适应和重用。在BT中,状态转换逻辑不是分散在各个状态中,而是以分层树结构组织,状态作为叶子。这对模块化有很大的影响,这反过来又简化了人类和算法的合成和分析。这些优势不仅在游戏AI设计中需要,而且在机器人技术中也需要,这一点从正在进行的研究中可以看出。在本文中,我们提出了一个全面的调查的主题的BT在人工智能和机器人应用。现有的文献进行了描述和分类的基础上的方法,应用领域和贡献,并得出结论的文件与开放的研究挑战的列表。
2020-05-13 cs.AI cs.RO
Shutter, the Robot Photographer: Leveraging Behavior Trees for Public, In-the-Wild Human-Robot Interactions
Yale University(耶鲁大学)
在野外部署交互式系统需要适应实验室环境中没有遇到的情况。我们的工作详细介绍了我们的经验,对行为的可重用性和反应性的架构选择的影响,同时部署一个公共的交互系统。我们特别介绍了Shutter,一个机器人摄影师和一个公众互动平台。在设计Shutter的架构时,我们专注于野外部署的适应性,同时开发一个可重复使用的平台,以促进公共人机交互的未来研究。我们发现,行为树允许反应,特别是在组设置,并鼓励设计可重用的行为。
2023-02-01 cs.RO
Learned Tree Search for Long-Horizon Social Robot Navigation in Shared Airspace
Institute for Advanced Studies(高等研究院);Carnegie Mellon University(卡内基梅隆大学);Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
提出SoRTS算法,结合Monte Carlo Tree Search规划器增强社交感知轨迹预测策略,实现共享空域移动机器人安全导航,在通用航空场景中表现与人类飞行员相当。
2023-04-04 cs.AI cs.LG cs.MA
CABTO: Context-Aware Behavior Tree Grounding for Robot Manipulation
National University of Defense Technology(国防科技大学);PsiBot;Peking University(北京大学);PKU-Psibot Lab(北京大学-PsiBot实验室)
本文提出CABTO框架,通过预训练大模型和上下文反馈,自动构建完整且一致的行为树系统,解决机器人操作中行为树接地的复杂性问题。
2026-07-07 cs.AI cs.RO
Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute, The Chinese University of Hong Kong(香港中文大学深圳研究院)
运动规划是机器人完成不同任务所必需的。快速探索随机树(RRT)及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而,它们在许多复杂环境中表现不佳,因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中,我们提出了一种新的机器人运动规划算法,利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明,我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
On the Implementation of Behavior Trees in Robotics
Istituto Italiano di Tecnologia(意大利技术研究院)
行为树作为一种描述和实现机器人行为的工具越来越受到人们的关注。BT是在视频游戏行业中设计的,它们在机器人技术中的采用导致了ad-hoc库的开发,以设计和执行适合复杂机器人软件架构的BT。虽然对BT的工作方式存在广泛的共识,但某些特性依赖于在所使用的特定软件库中完成的实现选择。在这封信中,我们概述了采用BT的实际方面,以及机器人社区为充分利用BT在真实机器人中的优势而设计的解决方案。我们还概述了在机器人技术中使用的开源库中提出的解决方案,我们展示了BT如何适应机器人软件架构,并给出了一个用例示例。
2021-06-29 cs.RO
Behavior Trees for Robust Task Level Control in Robotic Applications
KTH - Royal Institute of Technology(KTH皇家理工学院);ABB Corporate Research(ABB企业研究院)
行为树是一种任务切换策略表示,可以授予反应性和容错。此外,由于它们的结构和模块化,可以使用各种方法来自动生成它们。在这篇简短的论文中,我们介绍了行为树的机器人应用程序的背景下,与自主合成方法的概述。
2023-01-16 cs.RO
Verifying Safety of Behaviour Trees in Event-B
KTH Royal Institute of Technology(KTH皇家理工学院)
行为树(BT)在机器人社区中越来越受欢迎。BT工具非常适合决策应用程序,允许机器人执行复杂的行为,同时也可以向人类解释。确保所使用的BT在安全性和可靠性要求方面构造良好至关重要,特别是对于在关键环境中运行的机器人。在这项工作中,我们提出了一个正式规范的行为树和方法来证明已经使用的树的不变量,同时保持复杂的形式化的树简单的最终用户。允许测试行为树的特定实例,而不需要知道形式化的更抽象的层次。
2022-09-28 cs.AI cs.RO
Prompting Task Trees using Gemini: Methodologies and Insights
University Of South Florida(南佛罗里达大学)
本文探讨了如何利用提示工程将非结构化知识表示转换为结构化任务树,以帮助机器人更高效地理解和执行任务。
2024-05-06 cs.AI cs.RO
Towards Blended Reactive Planning and Acting using Behavior Trees
Istituto Italiano di Tecnologia(意大利技术研究院)
在本文中,我们展示了如何规划算法可以用来自动创建和更新的行为树(BT),在动态环境中控制机器人。该算法的规划部分是基于反向链接的思想。从一个目标条件开始,我们迭代地选择实现该目标的动作,如果这些动作有未满足的前提条件,则用动作扩展它们,以相同的方式实现它们。BT固有的模块化和反应性使得所提出的解决方案以一种使机器人能够有效地对外部干扰做出反应的方式混合行动和规划。如果一个外部代理撤销了一个动作,机器人会重新执行它,而不需要重新规划,如果一个外部代理帮助机器人,它会跳过相应的动作,也不需要重新规划。我们说明了我们的方法在两个不同的机器人方案。
2018-09-14 cs.AI cs.RO
Functional Task Tree Generation from a Knowledge Graph to Solve Unseen Problems
University of South Florida(南佛罗里达大学);Technical University of Munich(慕尼黑工业大学)
开发智能和自主机器人的一个主要组成部分是一个合适的知识表示,机器人可以从中获取有关其行为或世界的知识。然而,与人类不同,机器人无法创造性地适应新的场景,因为它们的知识和环境是严格定义的。为了解决这个问题,生产新颖和灵活的任务计划,称为任务树,我们探讨了我们如何可以得到计划的概念,而不是原来在机器人的知识库。以知识图谱形式的现有知识被用作参考基础,以创建用新的对象或状态组合修改的任务树。为了展示我们方法的灵活性,我们从Recipe1M+数据集中随机选择配方并生成它们的任务树。然后用可视化工具彻底检查任务树,该工具描绘了每种成分如何随着每个动作而变化,以生产所需的膳食。我们的研究结果表明,所提出的方法可以产生任务计划,即使是以前从未见过的成分组合具有很高的精度。
2021-12-04 cs.AI cs.RO
Multi-robot Path Planning with Rapidly-exploring Random Disjointed-Trees
Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院)
针对多机器人路径规划计算时间巨大导致应用效率低的问题,提出基于多树随机采样的MA-RRdT*算法,实验验证其在时间成本和空间探索效率上具有优越性能。
2023-08-03 cs.RO
Automatic Gesture Recognition in Robot-assisted Surgery with Reinforcement Learning and Tree Search
The Chinese University of Hong Kong(香港中文大学);CUHK T Stone Robotics Institute(香港中文大学天石机器人研究所)
自动手术手势识别是提高机器人辅助手术智能的基础,例如执行复杂的手术监视和技能评估任务。然而,目前的方法单独对待每一帧,并产生的结果没有有效地考虑未来的信息。在本文中,我们提出了一个框架的基础上强化学习和树搜索的联合手术手势分割和分类。智能体被训练成以类似人类的方式对手术视频进行分割和分类,其直接决策通过树搜索适当地重新考虑。我们提出的树搜索算法联合了两个设计的神经网络的输出,即,政策和价值网络。通过整合来自不同模型的互补信息,我们的框架能够实现比使用任何神经网络的基线方法更好的性能。对于一个整体的评估,我们开发的方法始终优于现有的方法在JIGSAWS数据集的搜索任务的准确性,编辑得分和F1得分。我们的研究强调了利用树搜索来细化手术机器人应用的强化学习框架中的动作。
2020-02-20 cs.AI cs.LG cs.RO
Motion Primitives based Path Planning with Rapidly-exploring Random Tree
George Mason University(乔治梅森大学)
我们提出了一种方法,使用快速探索随机树(RRT)生成机器人kinodynamically可行路径。我们利用运动原语作为一种方式来捕捉机器人的动态,并使用这些运动原语建立与RRT树的分支。由于每个分支都是使用机器人的运动基元构建的,不会导致与障碍物的碰撞,因此保证所得到的路径满足机器人的kinodynamic约束,从而可以用于导航,而无需对生成的轨迹进行任何后处理。我们证明了我们的方法在模拟的2D环境中使用简单的机器人模型与各种运动原语的有效性。
2022-10-27 cs.RO
A Framework for Learning Behavior Trees in Collaborative Robotic Applications
ABB Corporate Research(ABB企业研究院);KTH - Royal Institute of Technology(KTH皇家理工学院);ABB Robotics(ABB机器人)
在现代工业协作机器人应用中,期望自动地、直观地和时间有效地创建机器人程序。此外,机器人需要通过反应性策略来控制,以应对其运行环境的不可预测性。在本文中,我们提出了一个框架,结合了一种方法,学习行为树(BTs)从演示的方法,进化它们与遗传编程(GP)的协作机器人应用。本文的主要贡献是表明,通过结合这两种学习方法,我们得到了一种方法,允许非专家用户半自动,时间效率高,交互式生成BT。我们验证了一系列的操作实验的框架。BT在模拟中完全学习,然后转移到真正的协作机器人上。
2023-03-20 cs.RO
Behavior-Tree-Based Person Search for Symbiotic Autonomous Mobile Robot Tasks
Leibniz University Hannover(汉诺威莱布尼茨大学)
我们考虑的问题的人搜索的移动社交机器人的情况下,不能单独解决的机器人。例如,物理打开关闭的门或操作电梯。基于行为树框架,我们创建了一个模块化的,易于扩展的动作序列,目标是找到一个人来帮助机器人。通过将行为树分解为离散时间马尔可夫链,我们获得了行动选项的成功概率和成功率的估计,特别是在机器人应该等待或搜索people.In现实世界的实验中,所提出的方法与其他常见的方法进行了比较,在一个星期的过程中,在两个不同的位置在大学建筑物的588个测试运行。我们表明,我们的方法优于其他方法的成功率和持续时间,直到找到一个人,并返回到起始位置。
2021-03-16 cs.RO
Automatic Behavior Tree Expansion with LLMs for Robotic Manipulation
ABB Robotics(ABB机器人公司);ABB Corporate Research(ABB企业研究院);Royal Institute of Technology (KTH)(皇家理工学院(KTH))
提出BETR-XP-LLM方法,利用LLM动态自动扩展和配置行为树作为机器人控制策略,解决规划与执行中的错误,并永久更新策略以处理未来类似问题。
2024-09-20 cs.RO
XAI-N: Sensor-based Robot Navigation using Expert Policies and Decision Trees
University of Maryland(马里兰大学)
我们提出了一种新的基于传感器的学习导航算法,以计算机器人在密集和动态环境中移动障碍物或目标的无碰撞轨迹。我们的方法使用基于深度强化学习的专家策略,该策略使用sim2real范式进行训练。为了提高专家策略的可靠性和处理失败的情况下,我们结合了策略提取技术,将产生的策略转换成一个决策树格式。由此产生的决策树的属性,我们用来分析和修改的政策,并提高性能的导航指标,包括平滑度,振荡频率,频率的固定,和障碍的目标。我们能够修改策略来解决这些缺陷,而无需重新训练,将深度学习的学习能力与特定领域算法的控制相结合。我们强调了我们的算法在模拟环境中的好处,并在移动的行人中导航Clearpath Jackal机器人。(视频网址:https://gamma.umd.edu/researchdirections/xrl/navviper)
2021-07-19 cs.AI cs.LG cs.RO
Combining Planning and Learning of Behavior Trees for Robotic Assembly
ABB Robotics(ABB机器人);ABB Corporate Research(ABB企业研究院);Royal Institute of Technology (KTH)(皇家理工学院(KTH))
工业机器人可以在受控环境中解决非常复杂的任务,但现代应用要求机器人也能够在不可预测的环境中运行。机器人技术中越来越流行的反应式策略架构是行为树,但与其他架构一样,编程时间仍然会增加成本并限制灵活性。自动生成策略的算法有两个主要分支,自动规划和机器学习,两者都有自己的缺点。我们提出了一种使用遗传编程算法生成行为树的方法,并通过自动规划器的结果将其插入到人口中来结合这两个分支。实验结果证实,所提出的方法相结合的规划和学习表现良好的各种机器人装配问题,并优于单独使用的基础方法。我们还表明,这种类型的行为树的高级学习可以转移到一个真正的系统,而无需进一步的培训。
2021-03-16 cs.LG cs.RO
Approximate Task Tree Retrieval in a Knowledge Network for Robotic Cooking
University of South Florida(南佛罗里达大学);Brown University(布朗大学)
灵活的任务规划仍然是机器人面临的一个困难的挑战,机器人无法创造性地调整他们的任务计划,以适应新的或看不见的问题,这主要是由于它对自己的行动和世界的知识有限。出于人类的适应能力,我们探讨如何从一个知识图谱,被称为功能面向对象的网络(FOON)的任务计划,可以产生新的问题,需要的概念是不容易获得的机器人在其知识库。来自140个烹饪食谱的知识被构造在FOON知识图谱中,该知识图谱用于获取被称为任务树的任务计划序列。任务树可以被修改以复制FOON知识图谱格式的配方,这可以通过依赖于语义相似性而用于用包含未知对象和状态组合的新配方来丰富FOON。我们展示了任务树生成的强大功能,可以创建具有前所未有的成分和状态组合的任务树,如Recipe1M+数据集的食谱中所示,我们根据它们对新添加成分的准确描述来评估树的质量。我们的实验结果表明,我们的系统是能够提供任务序列与76%的正确性。
2022-07-08 cs.RO
An autonomous robot for pruning modern, planar fruit trees
Oregon State University(俄勒冈州立大学);Washington State University(华盛顿州立大学)
果树的背枝修剪是维持果树健康、保证果实优质的重要工作。由于劳动力可用性下降,修剪是机器人自动化的主要候选者。然而,修剪也代表了一个独特的困难的问题,机器人,需要强大的系统的感知,修剪点的确定和操纵,必须在可变的照明条件下,在复杂的,高度非结构化的环境中运行。在本文中,我们介绍了一个系统修剪甜樱桃树(在一个平面的树架构称为一个直立的结果分支配置),集成了各种子系统,从我们以前的工作感知和操纵。由此产生的系统能够完全自主地运行,并且需要对环境的最小控制。我们验证了我们的系统的性能,通过在甜樱桃园的田间试验,最终实现切割成功率为58%。虽然不完全强大,需要提高吞吐量,我们的系统是第一个在果树上运行,并代表了一个有用的基础平台,在未来进行改进。
2022-06-14 cs.RO
REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer
Carnegie Mellon University(卡内基梅隆大学)
机器人学习中的一个流行范例是为每个新机器人从头开始训练策略。这不仅效率低下,而且对于复杂的机器人来说往往不切实际。在这项工作中,我们考虑的问题,在两个不同的机器人具有显着不同的参数,如运动学和形态学的政策。通过匹配动作或状态转换分布来训练新策略的现有方法(包括模仿学习方法)由于最优动作和/或状态分布在不同机器人中不匹配而失败。在本文中,我们提出了一种新的方法命名为$REvolveR$的使用连续进化模型的机器人策略传输实现在物理模拟器。我们找到一个连续的机器人参数的进化变化的源机器人和目标机器人之间的插值。源机器人上的专家策略通过训练逐渐演变成目标机器人的中间机器人序列来转移。在物理仿真器上的实验表明,所提出的连续进化模型可以有效地在机器人之间传递策略,并在新机器人上获得优异的样本效率。所提出的方法是特别有利的稀疏奖励设置,探索可以显着减少。代码发布于www.example.com。
2022-06-21 cs.AI cs.LG cs.RO
Towards Robotic Tree Manipulation: Leveraging Graph Representations
Carnegie Mellon University(卡内基梅隆大学)
本研究提出一种利用图表示学习树木类作物变形行为的框架,通过图网络学习前向模型和接触策略,实现机器人对树木的操控,并在模拟环境中验证了其泛化能力。
2023-11-13 cs.RO
BTGenBot: Behavior Tree Generation for Robotic Tasks with Lightweight LLMs
Politecnico di Milano(米兰理工大学)
本文提出 BTGenBot,利用最高 70 亿参数的轻量级 LLM 和基于 GPT-3.5 构建的行为树微调数据集生成机器人行为树,并通过多模型、多任务及真机评估验证其有效性与部署潜力。
2025-01-07 cs.RO
Static Timing Orchestration for Tree-Structured Robot Control Firmware
Shanghai Jiao Tong University(上海交通大学)
针对树结构机器人控制固件的结构化数据依赖问题,提出FineMote框架,通过静态调度机制优化时序性能,在真实平台上验证了其有效性。
2026-08-06 cs.RO cs.SE
Behavior Trees vs Executable Ontologies: a Comparative Analysis of Robot Control Paradigms
本文对比命令式行为树与声明式可执行本体两种机器人控制范式,验证后者可达到与前者相当的反应性与模块化,且具备运行时修改等BTs难实现的特性,为解决传统机器人控制的语义-过程鸿沟提供替代框架。
2025-11-19 cs.AI cs.FL cs.RO
Assistive Robot Teleoperation Using Behavior Trees
RWTH Aachen University(亚琛工业大学)
机器人手臂遥操作任务中的机器人辅助最近在工业和家庭环境中获得了很大的牵引力。在这样的设置中使用各种各样的输入设备。由于输入信号中的噪声(例如,脑机接口(BCI))或由于环境条件(例如,空间机器人遥操作),用户需要辅助自主,使他们在控制,同时遵循预定义的轨迹和避免障碍物。这种帮助要求操作员容易定义并能够考虑动态世界状态的活动表示。本文使用行为树(BTs)表示日常生活活动,其固有的可读性和模块化使最终用户能够使用简单的界面定义新的活动。为了实现这一目标,我们增加了共享控制动作节点的BT,它引导用户在促进和确保任务执行的轨迹上输入。
2023-03-19 cs.RO
Behavior Trees and State Machines in Robotics Applications
本研究对比了机器人应用中行为树与状态机的语言概念,分析了五种DSL及开源项目使用,发现行为树使用增长迅速,并贡献了提取的数据集以促进发展。
2025-10-14 cs.RO cs.SE
Behavior Trees in Action: A Study of Robotics Applications
Chalmers | University of Gothenburg(查尔姆斯理工大学 | 哥德堡大学);University of Oslo(奥斯陆大学);IT University of Copenhagen(哥本哈根信息技术大学)
自主机器人结合了各种技能,形成了越来越复杂的行为,称为任务。虽然这些技能通常在相对较低的抽象级别上编程,但它们的协调在架构上是分离的,并且通常用更高级别的语言或框架表示。最近,行为树语言由于这个原因引起了机器人专家的关注。行为树最初是为计算机游戏设计的,用于对自主行为者进行建模,它提供了一种可扩展的基于树的任务表示。然而,尽管该语言的几个实现正在使用中,但人们对其在现实世界中的用法和范围知之甚少。行为树与描述行为的传统语言有什么关系?行为树的概念如何在应用程序中使用?使用它们的好处是什么?我们提出了一个研究的关键语言概念的行为树和它们在现实世界中的机器人应用。我们识别行为树语言,并将其语义与最知名的行为建模语言:状态图和活动图进行比较。我们挖掘使用该语言的机器人应用程序的开源存储库,并分析其使用情况。我们发现行为树是一种实用的语言,没有完全指定,允许项目扩展它,即使只是一个模型。行为树显然类似于运行时模型范例。我们贡献了一个真实世界行为模型的数据集,希望能激励社区使用和进一步开发这种语言、相关工具和分析技术。
2020-11-11 cs.PL cs.RO cs.SE
Distributed Behavior Trees for Heterogeneous Robot Teams
FZI Research Center for Information Technology(FZI信息技术研究中心);Intrinsic Innovation GmbH(Intrinsic创新有限公司)
本文提出一种面向异构机器人团队的分布式行为树方法,支持成本计算、子树分发与数据连接,并给出形式化定义、开源实现及实验验证。
2023-09-15 cs.RO
Behavior Trees in Robotics and AI: An Introduction
行为树(BT)是一种在自主智能体(如机器人或计算机游戏中的虚拟实体)中构建不同任务之间切换的方法。BT是创建复杂系统的一种非常有效的方式,这些系统既具有模块化又具有反应性。这些属性在许多应用中至关重要,这导致BT从计算机游戏编程传播到人工智能和机器人技术的许多分支。在本书中,我们将首先介绍BT,然后描述BT如何与早期的交换结构相关,并在许多情况下进行推广。然后,这些想法被用作一组高效且易于使用的设计原则的基础。属性,如安全性,鲁棒性和效率是很重要的自治系统,我们描述了一套工具,正式分析这些使用状态空间描述的BT。有了新的分析工具,我们可以形式化描述BT如何推广早期的方法。我们还展示了BT在自动规划和机器学习中的使用。最后,我们描述了一套扩展的工具来捕捉随机BT的行为,其中动作的结果由概率描述。这些工具能够计算成功概率和完成时间。
2022-10-25 cs.AI cs.RO