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

在动态操作环境中，特别是在协作机器人中，故障的不可避免性需要强大且适应性强的恢复策略。传统的自动化恢复策略虽然对于预定义的场景有效，但常常缺乏在任务管理和适应预期故障方面所需的灵活性。为了填补这一空白，我们提出了一种新的方法，将恢复行为建模为可适应的机器人技能，利用行为树和运动生成器（BTMG）框架进行策略表示。这种方法通过使用强化学习（RL）来动态调整恢复行为参数，使机器人能够对各种故障场景做出量身定制的响应，最大程度地减少人类干预。我们通过一系列逐渐具有挑战性的场景来评估我们的方法，在一个插针孔的任务中展示了这种方法在提高协作机器人操作效率和任务成功率方面的有效性。我们使用双臂KUKA机器人验证了我们的方法。

论文旨在解决协作机器人中不可避免的故障问题，提出了一种基于行为树和运动生成器框架的可适应机器人技能恢复策略，并使用强化学习动态调整恢复行为参数，以实现对各种故障情况的个性化响应。

论文提出了一种将恢复行为建模为可适应机器人技能的方法，并使用强化学习动态调整参数，以实现对各种故障情况的个性化响应。

论文通过在一个钉孔任务中进行一系列挑战性的场景测试，验证了该方法的有效性，提高了协作机器人的操作效率和任务成功率。同时，使用双臂KUKA机器人进行了验证。

近期的相关研究包括： 1. 'A Survey of Robotics Control Using Learning-Based Techniques' 2. 'Reinforcement Learning for Robotic Manipulation: A Review' 3. 'Robust and Efficient Robotic Manipulation through Contact-Rich Tasks'