[论文解读] A principled analysis of Behavior Trees and their generalisations

Oliver Biggar, Mohammad Zamani+1 more|arXiv (Cornell University)|Aug 27, 2020

Reinforcement Learning in Robotics参考文献 24被引用 4

一句话总结

本文提出了 k-行为树（k-Behavior Trees, k-BTs），作为标准行为树（BTs）的泛化，通过支持多于两种的控制流结果（例如：成功、失败、未知、部分成功），扩展了其模块化与反应性。通过形式化采用 k-元控制结构的动作选择机制，k-BTs 在保持 BTs 透明性与可重用性的同时，实现了对复杂机器人决策场景（如故障模式和不确定知识状态）更富表现力的处理。

ABSTRACT

As complex autonomous robotic systems become more widespread, the need for transparent and reusable Artificial Intelligence (AI) designs becomes more apparent. In this paper we analyse how the principles behind Behavior Trees (BTs), an increasingly popular tree-structured control architecture, are applicable to these goals. Using structured programming as a guide, we analyse the BT principles of reactiveness and modularity in a formal framework of action selection. Proceeding from these principles, we review a number of challenging use cases of BTs in the literature, and show that reasoning via these principles leads to compatible solutions. Extending these arguments, we introduce a new class of control architectures we call generalised BTs or $k$-BTs and show how they can extend the applicability of BTs to some of the aforementioned challenging BT use cases while preserving the BT principles.

研究动机与目标

• 在形式化动作选择框架中分析行为树的核心原则——模块化与反应性。
• 识别标准 BTs 在复杂机器人应用场景中的局限性，例如对部分成功或不确定知识状态的建模能力不足。
• 提出 BTs 的一种泛化形式，称为 k-行为树（k-BTs），在保持核心原则的同时支持多于两种的结果值。
• 展示 k-BTs 如何作为机器人中非结构化控制逻辑的有原则、结构化的替代方案，避免单体有限状态机（FSMs）或临时扩展带来的问题。
• 证明 k-BTs 自然地扩展了 BTs 及相关架构（如任务推理，TR）系统，同时保持可读性与可重用性。

提出的方法

• 基于反应式、模块化的控制机制，形式化定义 BTs，其动作选择基于两种结果值：成功与失败。
• 将框架扩展至 k-元控制流节点，其中每个节点根据 k 元结果评估（例如 1 到 k 个值）选择子节点，从而泛化顺序（Sequence）与回退（Fallback）节点。
• 通过递归组合 k-元控制节点定义 k-BTs，确保每个子树均为有效、自包含的控制架构。
• 将 k 个结果解释为不同的异常类状态（例如：未知、部分成功），实现对多样化返回值的结构化处理。
• 证明 2-BTs 恰好对应标准 BTs，1-BTs 恰好对应任务推理（TR）系统，表明 k-BTs 是一种统一的泛化形式。
• 通过类比编程语言中的异常处理机制，将 k-BT 框架应用于真实机器人挑战，如故障处理与不确定状态检测。

实验结果

研究问题

• RQ1 如何在更复杂的控制架构中，形式化分析并保留行为树中模块化与反应性的核心原则？
• RQ2 标准行为树在处理部分成功或不确定知识状态等细微机器人决策场景时，存在哪些局限性？
• RQ3 能否构建一种行为树的泛化形式，支持多于两种结果值，同时保持透明性、可重用性与结构化设计？
• RQ4 k-行为树与现有架构（如任务推理（TR）系统和传统 BTs）相比，在表达能力与可维护性方面有何差异？
• RQ5 k-BTs 在涉及多种故障模式或概率性结果的真实机器人应用场景中，具有哪些实际优势？

主要发现

• k-行为树（k-BTs）被形式化定义为标准行为树的泛化，支持 k 个不同的结果值，其中 2-BTs 与标准 BTs 等价，1-BTs 与任务推理（TR）系统等价。
• k-BT 框架保留了模块化与反应性的核心原则，确保每个子树均为自包含、可重用且可预测的控制结构。
• k-BTs 通过将‘未知’或‘部分成功’等结果视为控制流中的头等返回值，实现了对多种故障模式和非二元结果的结构化处理。
• 该框架提供了一种有原则的 BTs 扩展，避免了非结构化控制逻辑的复杂性与不透明性，类似于结构化编程如何改进基于 goto 的代码。
• 通过将控制流结果建模为异常，k-BTs 在不确定或部分可观测环境中，提供了比标准 BTs 或 FSMs 更具表现力与可维护性的故障处理机制。
• 该方法表明，即使在必须使用非结构化逻辑的场景中，k-BTs 仍提供一种结构化替代方案，保持可读性与可重用性，避免了临时编码带来的问题。