본문으로 건너뛰기

"Task Planning" 태그로 연결된 4개 게시물개의 게시물이 있습니다.

모든 태그 보기

Automatic Robot Task Planning by Integrating Large Language Model with Genetic Programming

· 약 4분
Azizjon Kobilov
Jianglin Lan

논문 정보​

  • 제목: Automatic Robot Task Planning by Integrating Large Language Model with Genetic Programming
  • 저자: Azizjon Kobilov (University of Glasgow, James Watt School of Engineering), Jianglin Lan (University of Glasgow, James Watt School of Engineering)
  • 학회/저널: 10th IEEE International Conference on Advanced Robotics and Mechatronics (ARM 2025), Portsmouth, UK
  • 발행일: 2025-02-11 (arXiv 제출일)
  • DOI: arXiv:2502.07772
  • 주요 연구 내용: LLM과 유전 프로그래밍(GP)을 통합한 LLM-GP-BT 기법으로 자연어 로봇 작업 명령을 행동 트리(BT) 기반 작업 계획으로 자동 변환
  • 주요 결과 및 결론: LLM-GP-BT가 GP-BT 대비 더 빠른 수렴 속도와 우수한 성능을 확률적 환경에서도 유지하며, 절반 크기의 초기 집단으로도 기존 방법보다 우수한 성능 달성
  • 기여점: 사전 정의된 BT 예시 없이 환경 이미지와 자연어 명령만으로 BT를 자동 생성하는 사용자 친화적이고 계산 효율적인 프레임워크 제안

Task Planning with Belief Behavior Trees

· 약 3분
Evgenii Safronov
Michele Colledanchise
Lorenzo Natale

논문 정보​

  • 제목: Task Planning with Belief Behavior Trees
  • 저자: Evgenii Safronov (Istituto Italiano di Tecnologia / Università di Genova), Michele Colledanchise (Istituto Italiano di Tecnologia), Lorenzo Natale (Istituto Italiano di Tecnologia)
  • 학회/저널: IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2020)
  • 발행일: 2020-08-21
  • DOI: arXiv:2008.09393
  • 주요 연구 내용: 전통적 행동 트리를 확장한 Belief Behavior Tree(BBT)를 제안하여, 부분 관측 환경에서 불확실성을 고려한 자동 정책 생성을 수행
  • 주요 결과 및 결론: 실제 로봇 실험과 시뮬레이션을 통해 비결정적 행동 결과를 갖는 환경에서의 태스크 계획 유효성 검증
  • 기여점: BT의 조건 노드와 액션 노드 모두에 불확실성을 반영하여 부분 관측 환경에 적합한 태스크 계획 프레임워크 제시

Adding Neural Network Controllers to Behavior Trees without Destroying Performance Guarantees

· 약 3분
Christopher Iliffe Sprague
Petter Ögren

논문 정보​

  • 제목: Adding Neural Network Controllers to Behavior Trees without Destroying Performance Guarantees
  • 저자: Christopher Iliffe Sprague (KTH Royal Institute of Technology), Petter Ögren (KTH Royal Institute of Technology)
  • 학회/저널: 61st IEEE Conference on Decision and Control (CDC 2022) / arXiv 프리프린트 (2018)
  • 발행일: 2018-09-26 (arXiv), 2022 (CDC 발표)
  • DOI: arXiv:1809.10283 / 10.1109/CDC51059.2022.9992501
  • 주요 연구 내용: 안전성과 목표 수렴에 대한 성능 보장을 갖춘 행동 트리에 기계학습으로 설계된 신경망 컴포넌트를 성능 보장을 파괴하지 않으면서 통합하는 방법 제안
  • 주요 결과 및 결론: BT의 모듈적 구조를 활용하여 신뢰할 수 없지만 효율적인 ML 컴포넌트와 형식적으로 검증된 모델 기반 컴포넌트를 안전하게 결합 가능
  • 기여점: 학습 기반 접근법의 효율성과 형식적 모델 기반 설계의 안전성을 동시에 달성하는 하이브리드 BT 아키텍처 제시

An Investigation into Reactive Planning in Complex Domains

· 약 3분
R. James Firby

논문 정보​

  • 제목: An Investigation into Reactive Planning in Complex Domains
  • 저자: R. James Firby (Yale University)
  • 학회/저널: Proceedings of the AAAI Conference on Artificial Intelligence (AAAI-87)
  • 발행일: 1987-07-01
  • DOI: AAAI87-036
  • 주요 연구 내용: 복잡하고 동적인 도메인에서 로봇이 실시간으로 행동을 계획하고 실행할 수 있도록 하는 리액티브 플래닝 모델 제안. RAP(Reactive Action Package)라는 조건부 행동 패키지 개념을 도입하여 실행 시간에 경쟁적으로 선택되는 시스템을 설계함
  • 주요 결과 및 결론: RAP 시스템은 사전 계획과 실시간 반응을 결합하여 예측 불가능한 환경 변화에 유연하게 대응할 수 있으며, 실행 모니터링과 재계획 문제를 단일하고 균일한 표현 및 제어 구조로 해결함
  • 기여점: 이후 행동 트리(Behavior Tree), PRS(Procedural Reasoning System), BDI 아키텍처 등 현대 로봇 행동 제어 프레임워크의 이론적 기반을 제공