服務機器人已經成為世界各國爭相研究的熱點。服務機器人面臨的真實人居環(huán)境是一個動態(tài)變化和非結構化的復雜環(huán)境,即環(huán)境存在行人干擾的同時,其布局也會發(fā)生變化且僅部分可觀察。機器人所要完成的任務也日益復雜、多樣、模糊、多變且有時限要求。一方面,機器人任務規(guī)劃層面臨先驗任務領域知識難以覆蓋所有應用情況、環(huán)境動態(tài)變化引起任務執(zhí)行失敗、復雜任務執(zhí)行效率低下等難題。路徑規(guī)劃和導航決策層則面臨多行人環(huán)境中規(guī)劃出的軌跡容易沖撞行人、機器人躲避行人大幅調整運動導致的導航效率低下等難題。人們希望機器人能夠學習、存儲人類處理這些任務的經驗,利用這些經驗自主地適應不同的環(huán)境,并處理異常情況,最終高效安全地完成任務。目前制約機器人適應性、安全性和效率進一步提升的共性問題主要有:同類任務不同情形的規(guī)劃活動經驗無法融合,基于經驗的任務再規(guī)劃修復和最優(yōu)規(guī)劃求解尚未實現,多行人環(huán)境下機器人難以決策并找到最優(yōu)可行軌跡。針對上述共性問題,本論文主要研究面向復雜環(huán)境的機器人自主規(guī)劃方法,具體內容和結果如下:為能用一個活動圖式對同類任務多種情形的規(guī)劃活動經驗進行描述,提出抽象方法及含有抽象方法層的整合活動圖式的概念。同時,將其引入... 

【文章來源】：中國科學院大學(中國科學院深圳先進技術研究院)廣東省

【文章頁數】：121 頁

【學位級別】：博士

【部分圖文】：

谷歌大腦和MountainView團隊合作收集多個機器人的開門經驗

體、發(fā)生的事件、機器人的活動、經驗等等都可以為表達概念。機器人的復雜任務的學習中不僅包含對環(huán)境的被動觀察和理解，更包含著其行為對世界環(huán)境的影響。具體來說，就是在什么樣的情況下應該產生什么樣的行為，對世界產生什么樣的影響，才能使世界達到目標狀態(tài)。對任務的學習可以在認知科學中是一個抽象概念的過程。與本文研究內容相關的認知科學的主要概念主要有經驗、情景和概念化。經驗是指機器人存儲的過去事件的記錄，它通過本體感受和外部感知獲得，并能根據機器人的概念框架進行解釋。經驗通常從低層次數據提取出來。單一的經驗是指在場景中發(fā)生的事情。情景由物理對象及其屬性作為時間函數形成的時空的連貫子集。在本項目中，每一個活動經驗對應一個情景。概念化是通過對現實世界子集或模式進行描述和命名而形成一個新概念的過程。概念化提供了關于達到某個目標的動作序列、動作效果的先驗知識。然而到目前為止在機器人本體中動態(tài)存儲所獲得的概念以及用新本體重解釋過去情景的問題尚未得到有效解決[21]。

圖 1.3 RoboEarth 項目的框架及機器人應用最近以活動圖式對基于規(guī)劃的機器人活動經驗進行概念化，學習人類示任務，可用于指導任務規(guī)劃器搜索解決方案，引起了學術界的關注[22]。是一種任務模型，由抽象活動序列或抽象操作符以及操作符中涉及的對特征表示活動的條件和影響）組成。Seabra 提出了幾種演繹和歸納轉換方解釋經驗情景中失敗恢復策略的規(guī)則[22,23]。根據這一思想，Vahid 提出于演繹泛化、抽象和特征提取的概念化方法[24]。然后，將目標推斷過程動模式中，并證明了推斷的目標在解決相同問題的不同實例時的效用[2成的后一項研究中，該方法被擴展到包含循環(huán)的機器人任務經驗中[26]。的活動圖式是固定的且彼此分離，這導致如果基于當前學習的活動圖式劃執(zhí)行失敗時切換到其他活動圖式的難度很大。


本文編號：2943854