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

在动态的操作环境中，特别是在协作机器人领域，故障的不可避免性需要强大而灵活的恢复策略。传统的自动化恢复策略虽然对于预定义的情况有效，但往往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。这种方法通过采用强化学习（RL）来动态细化恢复行为参数，使得在最小人工干预下能够针对各种故障场景做出量身定制的响应。我们通过一系列逐步具有挑战性的场景，在一个钉孔任务中评估了我们的方法，证明了这种方法在提高协作机器人设置的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。

论文试图解决在协作机器人中出现故障时，传统的自动化恢复策略缺乏灵活性的问题，提出一种基于行为树和运动生成器框架的可调适恢复策略，并使用强化学习动态优化恢复行为参数的方法。

论文的关键思路是将恢复行为建模为可调适的机器人技能，并使用强化学习动态优化技能参数，以实现对各种故障场景的个性化响应。

论文通过在一个逐渐复杂的插销任务中进行一系列实验，验证了该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。论文使用双臂KUKA机器人验证了该方法的可行性。论文提出的方法可以为协作机器人的故障恢复提供新的思路和解决方案。

在这个领域中，一些相关的研究包括：1.《Robust Recovery of Manipulation Skills via Convex Optimization》；2.《Learning Robotic Manipulation through Visual Planning and Acting》；3.《Robust Grasping under Uncertainty using Convex Force Optimization》。