[论文解读] An Architecture for Autonomously Controlling Robot with Embodiment in Real World

Megumi Fujita, Yuki Goto+3 more|arXiv (Cornell University)|Jul 26, 2013

Reinforcement Learning in Robotics参考文献 12被引用 3

一句话总结

本文提出一种架构，通过将传感直接整合到原子动作中，实现在动态现实环境中的自主机器人控制，实现对环境的持续适应。与传统将感知与动作分离的规划方法不同，该系统基于实时传感器反馈，采用基于Prolog的动态动作选择，展示了在静态和动态真实世界实验中对精确运动执行依赖性极低的鲁棒性。

ABSTRACT

In the real world, robots with embodiment face various issues such as dynamic continuous changes of the environment and input/output disturbances. The key to solving these issues can be found in daily life; people `do actions associated with sensing' and `dynamically change their plans when necessary'. We propose the use of a new concept, enabling robots to do these two things, for autonomously controlling mobile robots. We implemented our concept to make two experiments under static/dynamic environments. The results of these experiments show that our idea provides a way to adapt to dynamic changes of the environment in the real world.

研究动机与目标

• 解决现实世界机器人具身中固有的动态环境变化和输入/输出干扰带来的挑战。
• 克服传统规划理论将感知与动作分离所带来的局限，避免在现实世界不精确性下导致计划失败。
• 使移动机器人能够通过在动作过程中持续感知环境，并根据当前条件动态选择下一步动作，实现自主适应。
• 开发一种鲁棒且可扩展的架构，将低层运动不精确性从高层规划中隐藏，专注于目标达成。
• 通过静态和动态环境中的真实世界实验，证明该方法的实际可行性。

提出的方法

• 原子动作被实现为持续接收传感器输入并在满足条件（如障碍物检测、时间限制）时终止的感知-动作程序。
• 感知并非独立步骤，而是内在于每个原子动作之中，模仿人类在移动过程中的持续感知。
• 动作选择由基于Prolog的决策程序执行，该程序将目标分解为子目标，并根据当前传感器数据和逻辑规则选择下一步原子动作。
• 系统确保所有原子动作最终都能终止，从而保持计算安全性和响应性。
• 该架构将高层规划（目标导向推理）与低层控制（感知与执行）解耦，使高层逻辑可专注于路径与目标规划。
• 该方法将动作如“前进直到检测到障碍物”视为原子动作，从而对运动不精确性具有鲁棒性。

实验结果

研究问题

• RQ1 如何在动作执行过程中使机器人的动作选择对实时环境变化具有动态响应能力？
• RQ2 将感知整合到原子动作在多大程度上能提升在I/O干扰下现实世界机器人控制的鲁棒性？
• RQ3 基于Prolog的推理系统能否有效管理基于连续传感器输入的现实世界移动机器人导航中的动态动作选择？
• RQ4 所提出的架构如何处理原本会破坏传统规划系统的运动不精确性？
• RQ5 该架构能否扩展到更复杂的、多目标的现实环境导航任务？

主要发现

• 该系统成功引导移动机器人在静态和动态的真实世界环境中导航，展示了对意外变化的适应能力。
• 通过在原子动作中嵌入感知，系统避免了因运动不精确性（如实际移动0.98米而非1米）导致的计划失败。
• 基于Prolog的行动决策程序根据实时传感器数据动态选择了合适的下一步动作，实现了持续的计划适应。
• 该架构有效隔离了低层运动不精确性对高层规划的影响，使规划器能够专注于目标导向推理。
• 实验结果证实，感知-动作方法能够在环境动态变化和设备干扰不可避免的真实世界中实现鲁棒行为。
• 该方法在通过未来扩展处理更大规模问题（如多目标和基于信念的推理）方面展现出潜力。