A Decision Tree-based Monitoring and Recovery Framework for Autonomous Robots with Decision Uncertainties

要約

現実世界で動作する自律移動ロボット (AMR) は、多くの場合、自身と周囲の安全に直接影響を与える重要な決定を下す必要があります。
意思決定のための学習ベースのアプローチは、多くのアプリケーションで非常に迅速に、妥当なレベルの精度で意思決定を行うことができるため、近年人気が高まっています。
ただし、これらのアプローチでは通常、決定が 1 つだけ返されるため、学習者の訓練が不十分であったり、観察にノイズが多かったりすると、決定が正しくない可能性があります。
この問題は、アクチュエータやセンサーの故障、外乱など、ロボットが自身の故障について判断を下すときにさらに悪化し、誤った判断が直ちにロボットに損傷を与える可能性があります。
この論文では、まさにこのケーススタディを検討します。このような障害に対処するロボットは、不確実性を迅速に評価し、安全な決定を下さなければなりません。
私たちは、不確実性を意識した学習ベースの障害検出および回復アプローチを提案します。このアプローチでは、デシジョン ツリー理論とモデル予測制御を活用して、どの障害がシステムを侵害しているかを検出して説明し、障害に関連する不確実性を評価し、最後に発見して検証します。
システムを回復するための修正制御。
私たちのアプローチは、欠陥のある無人地上車両 (UGV) ナビゲーションのケーススタディに関するシミュレーションと実際の実験によって検証され、不確実性の下での安全性への回復を実証しています。

要約(オリジナル)

Autonomous mobile robots (AMR) operating in the real world often need to make critical decisions that directly impact their own safety and the safety of their surroundings. Learning-based approaches for decision making have gained popularity in recent years, since decisions can be made very quickly and with reasonable levels of accuracy for many applications. These approaches, however, typically return only one decision, and if the learner is poorly trained or observations are noisy, the decision may be incorrect. This problem is further exacerbated when the robot is making decisions about its own failures, such as faulty actuators or sensors and external disturbances, when a wrong decision can immediately cause damage to the robot. In this paper, we consider this very case study: a robot dealing with such failures must quickly assess uncertainties and make safe decisions. We propose an uncertainty aware learning-based failure detection and recovery approach, in which we leverage Decision Tree theory along with Model Predictive Control to detect and explain which failure is compromising the system, assess uncertainties associated with the failure, and lastly, find and validate corrective controls to recover the system. Our approach is validated with simulations and real experiments on a faulty unmanned ground vehicle (UGV) navigation case study, demonstrating recovery to safety under uncertainties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google