Complex Autonomous UAV Task Execution and Decision-Making With s(CASP)
本文提出并评估了一种基于 s(CASP) 答案集编程系统的符号化、可解释自主无人机（UAV）智能体，该智能体在高度逼真的虚幻引擎 5（Unreal Engine 5）环境中运行，展示了其执行复杂约束任务以及在无需重新训练的情况下动态适应故障的能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你有一架无人机，它需要绕着城市飞行，寻找一个丢失的包裹，喷洒一些花朵，然后递送一封信。现在，想象一下给这架无人机装上一个像人类飞行员一样工作的“大脑”，而不是一个“黑盒”式的脑子。这正是这篇论文所讲述的内容。
这是他们发明故事的拆解，分为几个简单的部分：
问题所在：“黑盒”飞行员
大多数现代无人机使用深度学习（一种人工智能类型）来“观察”并决定做什么。把这想象成一个背下了数百万道练习题的学生，但他并不真正理解为什么答案是正确的。
- 问题： 如果你问这个学生：“你为什么撞到了那棵树？”他无法解释。他只会说：“我看到了一个看起来像树的模式。”
- 风险： 如果情况发生微小变化（比如出现了一种新型障碍物），这个学生可能会感到困惑并发生碰撞。你无法轻易教他新规则，除非让他重新进行数千小时的训练。
解决方案：“逻辑优先”飞行员
研究人员使用一种称为 s(CASP) 的系统构建了一种新型无人机大脑。这架无人机不再仅仅是记忆模式，而是使用常识推理。
- 类比： 想象一位人类飞行员坐在无人机里。如果他看到一个人站在花坛附近，他会想：“我知道我需要喷洒这些花，但我也知道我不应该喷洒那个人。因此，我会等待或者绕行。”
- 神奇之处： 这架无人机不只是在猜测；它为每一个动作建立逻辑证明。如果你问它：“你为什么没喷那个花床？”它可以向你展示它遵循的确切规则：“规则 4 说：如果有人在附近，则不得喷洒。”
它是如何运作的：“任务控制”循环
无人机在一个高保真度的视频游戏世界（Unreal Engine 5）中运行，这个世界看起来和运作起来都像真实的城市。以下是其循环过程：
- 目标： 人类给无人机一个任务，比如“递送这个包裹”。
- 分解： 无人机将这个大目标分解成微小的步骤：起飞 -> 飞往取货点 -> 抓取包裹 -> 飞往投递点 -> 投放包裹。
- 检查： 在每一个动作之前，无人机都会询问它的逻辑大脑：“这个动作安全吗？合法吗？是否符合规则？”
- 行动： 如果答案是“是”，它就移动。如果答案是“否”（例如：“路径上有块石头挡路”），它会立即计算出一条新路径。
他们测试的五项任务
为了证明其有效性，他们将无人机送入虚拟城市执行了五种不同的“任务”：
- 侦探： 寻找一个未知物体，拍张照片，并弄清楚它是什么。如果照片模糊，它会不断多拍照片直到确定为止。
- 检查员： 绕着建筑物飞行，查看是否有碎片（如石头或垃圾）附着在上面。
- 保安： 在大片区域巡逻，查看是否有车辆行驶在“禁行区”内。
- 园丁： 喷洒特定的花床。至关重要的是，如果有人站在花床附近，无人机会拒绝喷洒。如果石头挡住了路径，它会寻找另一条路。
- 快递员： 从一个地点拿起物品并送到另一个地点，沿途绕过障碍物。
结果：快速、安全且可解释
- 速度： 无人机大约需要一秒钟来思考每一个决策。虽然与反射动作相比这听起来很慢，但对于这类任务来说已经足够快了，因为无人机大部分时间是在飞行而非仅仅在思考。
- 可靠性： 在测试中，无人机从未发生碰撞。如果一个计划是不可能的（比如穿过一堵墙），系统只会简单地说：“我做不到”，而不是尝试并失败。
- 无需重新训练： 如果他们想增加一条新规则（比如“如果下雨则不喷洒”），他们只需在代码中添加一句话即可。他们不需要重新训练整个系统。
这为什么重要
最大的胜利在于信任。
过去，如果无人机犯了错，我们不知道原因。有了这个新系统，每一个决策都附带了一份“收据”或逻辑解释。这就像拥有一个能向你逐步解释整个飞行计划的飞行员，确保无人机是安全、合乎逻辑的，并能胜任灾难救援或农业等复杂工作。
简而言之： 他们用一个“思考型”AI取代了“猜测型”AI，这个AI遵循规则、解释选择，并像人类一样适应世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。