本研究提出了一种统一的故障恢复框架,结合视觉语言模型、反应规划器和行为树,以解决机器人在动态环境中的执行失败问题。通过预执行验证和实时故障处理,提升了任务的成功率和适应性。
本研究提出了一种新型多机器人行为树规划(MRBTP)算法,旨在解决多机器人任务规划的复杂性问题,提升规划速度与协作效率,实验结果验证了其稳健性与执行效率。
LLM-GP-BT是一种结合大语言模型与遗传编程的机器人任务规划新方法,能够自动生成行为树,提升机器人在动态环境中的适应性和任务执行效率。该技术通过实时反馈优化控制策略,展现出优于传统方法的灵活性和可靠性,适用于搜索救援和自动配送等场景。
本研究提出了一种新框架,通过视觉语言模型生成和编辑行为树,以增强机器人在复杂环境中的上下文感知能力。实验结果验证了该框架的实际应用可行性及其局限性。
本文探讨了利用行为树和强化学习设计自主网络防御系统的方法,提出了一种数据驱动的深度强化学习框架,能够动态适应网络攻击并提升防御效果。通过多智能体合作学习,增强了网络防御能力,展示了在快速变化的网络威胁环境中的应用潜力。
本研究提出了一个两阶段框架来生成行为树,使用大型语言模型解释目标,通过最优行为树扩展算法构建高效的目标特定行为树。实验证实了语言模型在解释目标方面的熟练程度,证明了扩展算法相对于基线算法的优越性,并确认了框架的实际部署能力。
该研究提出了一种基于行为树的动态角色分配和协同任务规划的新型架构,使用混合整数线性规划来指定团队中个体的角色或协作。该架构通过增强现实用户界面实现了人 - 系统之间的双向通信,以协调处理不同操作阶段的工人,并通过主观评估证明了该架构的高可用性和适用性。
完成下面两步后,将自动完成登录并继续当前操作。