机器人中的适应性恢复行为：基于行为树和动作生成器（BTMG）的故障管理方法

提出了一种基于高斯过程的模型，用于主动检测运动规划失败的风险，并在风险超过阈值时触发恢复行为。

该方法在仿真环境中训练，能够泛化到不同机器人平台的实际环境中，证明了其有效性。

研究介绍了知识转移框架KT-BT，通过行为树实现智能体之间的知识共享，提升多机器人系统的表现。

提出了一种神经符号框架，用于在线失败识别和恢复，实验表明其在故障检测和恢复方面优于基准方法。

介绍了一种通用方法，通过模拟探索失效模式并学习恢复技能，显著提高任务成功率。

综述了行为树在人工智能和机器人应用中的作用，探讨了其优点和未来的开放性问题。

提出基于行为树的多机器人任务规划框架，支持异常恢复和通信。

研究了分层试错算法，表明其在迷宫导航任务中表现优于最佳基线。

探讨了如何使用行为树设计自主系统，并分析其在自动化规划和机器学习中的应用。

提出ROAM机制，使机器人在新奇场景中实时适应，显著提高适应性。