开放世界机器人规划不确定性下的假设驱动模型扩展

我们考虑一个开放世界的规划环境，其中服务机器人必须在未知的环境中运行，并且对物体和动作的了解不完整。当机器人遇到意外情况和任务时，具有预编程知识库的传统封闭世界方法就会失败，这对人类环境中的自主知识扩展构成了根本挑战。在这项工作中，我们提出了一个开放世界规划框架，使机器人能够自动生成、验证和更新有关其抽象世界模型的假设。我们的主要见解是明确地维持不确定性感知知识扩展并将假设验证整合到实现目标的计划中。该框架利用基础模型生成关于状态和转换的初始假设，并应用自动规划来生成共同解决假设验证和任务执行的行动序列。通过迭代执行和细化，当假设被证明不正确时，机器人通过合并来自基础模型的验证反馈来扩展其知识。在模拟和现实环境中进行的大量实验表明，我们的框架能够在开放世界环境中实现自主知识扩展和有效操作。这些结果表明，将机器人基础模型的不确定性感知模型扩展与规划相结合可以促进家庭服务机器人的实际部署。