Negotiating Control: Neurosymbolic Variable Autonomy

可变自主性使系统（例如机器人）具有混合主动性，以便根据任务的复杂性和周围环境调整其独立水平。可变自主性解决了机器人规划中的两个主要问题：第一个问题是人类在没有适当的人类因素指标的情况下无法保持专注于监视和干预机器人任务，第二个问题是在静态奖励结构面前在不可预见和不确定的环境中实现任务成功。可变自主性中的一个未解决问题是开发强大的方法，在实时动态平衡自主性和人类干预，以确保在不可预测和不断发展的环境中实现最佳性能和安全性。我们认为，通过添加基于规则的符号逻辑来解决不可预测和不断发展的环境，有可能使自主性调整更加上下文可靠，并通过来自混合主动控制的数据向强化学习添加反馈，从而进一步增加自主行为的效力和安全性。

论文旨在解决机器人规划中的两个问题：人类在没有适当人类因素指标的情况下无法保持专注于监视和干预机器人任务，以及在面对静态奖励结构的不可预见和不确定环境中实现任务成功。

通过添加基于规则的符号逻辑来解决不可预见和不断变化的环境，从而使自主调整更具上下文可靠性，通过来自混合倡议控制的数据向强化学习添加反馈，进一步增加自主行为的效力和安全性。

论文提出了可变自主性的概念，可以根据任务的复杂性和周围环境调整其独立性水平，实现自主性和人类干预的动态平衡。实验设计了混合倡议控制，使用了数据集，但未提供开源代码。

最近的相关研究包括：《基于深度学习的机器人可变自主性研究》、《自适应可变自主机器人控制》等。