Adaptable Recovery Behaviors in Robotics: A Behavior Trees and Motion Generators(BTMG) Approach for Failure Management

要約

動的な運用環境、特に協働ロボット工学では、障害は避けられないため、堅牢で適応性のある回復戦略が必要です。
従来の自動リカバリ戦略は、事前定義されたシナリオには効果的ですが、多くの場合、オンザフライのタスク管理や予想される障害への適応に必要な柔軟性に欠けています。
このギャップに対処するために、私たちは、ポリシー表現にビヘイビア ツリーとモーション ジェネレーター (BTMG) フレームワークを活用し、適応可能なロボット スキルとして回復行動をモデル化する新しいアプローチを提案します。
このアプローチは、強化学習 (RL) を採用して回復動作パラメーターを動的に調整することで特徴を備えており、人間の介入を最小限に抑えながら、幅広い障害シナリオに合わせた対応を可能にします。
私たちは、ペグ・イン・ア・ホールタスク内の段階的に困難な一連のシナリオを通じて方法論を評価し、協働ロボット設定における業務効率とタスクの成功率の向上におけるこのアプローチの有効性を実証します。
双腕のKUKAロボットを使用してアプローチを検証します。

要約(オリジナル)

In dynamic operational environments, particularly in collaborative robotics, the inevitability of failures necessitates robust and adaptable recovery strategies. Traditional automated recovery strategies, while effective for predefined scenarios, often lack the flexibility required for on-the-fly task management and adaptation to expected failures. Addressing this gap, we propose a novel approach that models recovery behaviors as adaptable robotic skills, leveraging the Behavior Trees and Motion Generators~(BTMG) framework for policy representation. This approach distinguishes itself by employing reinforcement learning~(RL) to dynamically refine recovery behavior parameters, enabling a tailored response to a wide array of failure scenarios with minimal human intervention. We assess our methodology through a series of progressively challenging scenarios within a peg-in-a-hole task, demonstrating the approach’s effectiveness in enhancing operational efficiency and task success rates in collaborative robotics settings. We validate our approach using a dual-arm KUKA robot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google