Dual Process Motion Planning
本文提出了一种神经符号双过程运动规划框架，该框架通过将快速的经验驱动学习（“系统-1”）与鲁棒的符号推理（“系统-2”）进行动态整合，以在非线性机器人任务中实现卓越的效率、准确性和泛化能力。
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
机器人正从工厂车间走向我们的日常生活，承担着从驾驶汽车到在拥挤走廊中穿行的各种任务。为了安全地完成这些任务，机器人必须每秒钟解决一个复杂的谜题：如何在遵守支配其运动的物理定律的同时，从当前位置移动到目标位置而不撞到任何物体。几十年来，工程师们一直依赖两种主要方法来解决这个问题。一种方法就像一位经验丰富的专家，以极高的精度计算每一种可能的路径，确保了安全性，但需要很长时间去思考。另一种方法则像是一种快速的直觉，机器人利用过去的经验瞬间猜出一个不错的路径，但这种猜测有时可能会出错或不安全。挑战始终在于如何获得直觉的速度，同时又不失去计算的安全性。
来自香港中文大学（深圳）和牛津大学的研究团队提出了一种处理这种权衡的新方法。他们构建了一个模仿人类决策方式的系统，将快速的直觉反应与缓慢而谨慎的检查相结合。他们称之为“双过程架构”。在他们的设置中，机器人首先尝试使用一种快速的学习策略来解决问题——这是一种通过数千次成功行程训练出来的数字直觉。这个“系统 1”动作迅速，能在不到一秒的时间内提出一条路径。然而，在机器人实际移动之前，一个安全门会检查这个快速的猜测是否确实无碰撞且确实能到达目标。如果快速猜测通过了检查，机器人就会立即移动。如果快速猜测失败或看起来有风险，系统会立即切换到一个更慢、更严谨的计算器——即“系统 2”——它会像传统的专家方法一样，从头开始推导出一个完美的路径。
研究人员在各种困难的数字环境中测试了这种方法，范围从只有少量大型障碍物的开阔空间到拥有许多狭窄缝隙的复杂迷宫。他们发现这种混合系统非常有效。通过让快速直觉处理简单或直接的情况，该系统避免了大多数情况下使用缓慢计算器所带来的沉重计算成本。在拥有大型开阔空间或许多小障碍物的环境中，快速系统在超过一半的时间里都能独立解决问题，从而节省了大量的处理能力。当快速系统陷入困境或犯错时，较慢的系统就会介入并修复它，确保机器人绝不会发生碰撞。结果显示，这种机器人几乎像那个缓慢而谨慎的专家一样可靠，但整体速度更快，在几乎所有的测试案例中都成功导航了复杂路径。
他们发现的一个关键点是机器人如何随着时间的推移进行学习。研究人员让系统运行了数百个场景，每当缓慢而谨慎的系统不得不介入以修复快速系统犯下的错误时，它都会保存下那次成功的修正。快速系统随后学习这些修正，并改进自己的直觉以应对下一轮。这种被称为“持续学习”的过程使得快速系统变得越来越好，最终能够在不需要慢速系统帮助的情况下解决更多的难题。然而，研究人员也发现了这种学习的一个极限。当解决方案需要基于整个路线进行长距离、复杂的规划时，尽管快速系统在慢速系统提供短程局部修正时进步最快，但在处理这类问题时却显得力不从心。这表明，虽然机器人可以学会变得更快，但它仍然依赖于谨慎的计算器来进行最复杂的长距离导航任务。
团队还调查了将快速系统的失败猜测输入给慢速计算器是否能帮助它更快地解决问题。他们发现，情况并未如预期那样发展。将一个错误的起点交给慢速计算器往往只会让它感到困惑，或者导致它走向同样的死胡同，无法带来实际的时间节省。这排除了一个常见的观点，即仅仅传递一个部分解方案总是有帮助的。相反，最高效的方法是让快速系统尝试，验证结果，并且只有在失败时，才让慢速系统重新开始。
最终，这项研究表明，将快速的学习反应与缓慢的谨慎验证相结合，可以创造出既快速又安全的机器人。它既不要求快速系统本身是完美的，也不强迫机器人为每一次移动都进行昂贵的详细计算。通过仔细决定何时信任快速猜测以及何时要求详细计划，该系统实现了一种两者单独都无法达到的平衡。这种方法为需要在充满变数、杂乱无章的人类世界中快速且安全移动的机器人提供了一条切实可行的路径。
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。