Fugu-MT 論文翻訳(概要): Verifying Safety of Behaviour Trees in Event-B

論文の概要: Verifying Safety of Behaviour Trees in Event-B

arxiv url: http://arxiv.org/abs/2209.14045v1
Date: Wed, 28 Sep 2022 12:26:50 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 17:47:29.732452
Title: Verifying Safety of Behaviour Trees in Event-B
Title（参考訳）: イベントBにおける行動樹の安全性検証
Authors: Matteo Tadiello (KTH), Elena Troubitsyna (KTH)
Abstract要約: 行動木(BT)はロボティクスコミュニティでますます人気が高まっている。本稿では,すでに使用されている木の不変性を証明するために,行動木の公式な仕様と方法論を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Behavior Trees (BT) are becoming increasingly popular in the robotics community. The BT tool is well suited for decision-making applications allowing a robot to perform complex behavior while being explainable to humans as well. Verifying that BTs used are well constructed with respect to safety and reliability requirements is essential, especially for robots operating in critical environments. In this work, we propose a formal specification of Behavior Trees and a methodology to prove invariants of already used trees, while keeping the complexity of the formalization of the tree simple for the final user. Allowing the possibility to test the particular instance of the behavior tree without the necessity to know the more abstract levels of the formalization.
Abstract（参考訳）: 行動木(BT)はロボティクスコミュニティでますます人気が高まっている。 BTツールは、ロボットが人間にも説明できるながら複雑な動作を行えるようにするための意思決定用途に適している。 BTが安全と信頼性の要求に対して十分に構築されていることを検証することは、特に重要な環境で動作しているロボットにとって不可欠である。そこで本研究では,すでに使用されている木の不変性を証明し,最終的なユーザにとって単純なツリーの形式化の複雑さを保ちながら,行動ツリーの形式的仕様と方法論を提案する。形式化のより抽象的なレベルを知る必要なしに、行動ツリーの特定のインスタンスをテストすることができる。

関連論文リスト

Execution Semantics of Behavior Trees in Robotic Applications [0.6718184400443239]
この文書は、ロボットアプリケーションで使われる行動木の実行セマンティクス、特にハルトのセマンティクスに注意を払って、適切に正確に、非公式に記述することを目的としている。
論文参考訳（メタデータ） (2024-07-31T18:08:59Z)
Integrating Intent Understanding and Optimal Behavior Planning for Behavior Tree Generation from Human Instructions [5.31484618181979]
動作木(BT)は、人間の指示に従ってタスクを実行するロボットのための適切な制御アーキテクチャである。本稿では,BT生成のための2段階のフレームワークを提案する。我々は、一階述語論理における目的と十分に整形された公式を表現し、意図の理解と最適な行動計画を効果的にブリッジする。
論文参考訳（メタデータ） (2024-05-13T05:23:48Z)
Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
論文参考訳（メタデータ） (2024-02-06T07:40:53Z)
Tree Prompting: Efficient Task Adaptation without Fine-Tuning [112.71020326388029]
Tree Promptingはプロンプトの決定ツリーを構築し、複数のLMコールをリンクしてタスクを解決する。分類データセットの実験により、Tree Promptingは競合するメソッドよりも精度が向上し、微調整と競合することが示された。
論文参考訳（メタデータ） (2023-10-21T15:18:22Z)
An Extended Convergence Result for Behaviour Tree Controllers [0.0]
振舞い木(BT)は階層的なハイブリッド制御ポリシーを組み立てるための最適なモジュラー・フレームワークである。我々は、状態空間の所望部分に到達するという意味で、BTsの収束について研究する。
論文参考訳（メタデータ） (2023-08-17T14:05:45Z)
Robot Behavior-Tree-Based Task Generation with Large Language Models [14.384843227828775]
本稿では,最先端の大規模言語モデルを用いた行動木に基づくタスク生成手法を提案する。本稿では,階層型ロボットタスク生成を実現するためのフェーズステッププロンプト設計を提案し,さらに行動木埋め込みに基づく探索と統合して適切なプロンプトを設定する。私たちの振る舞いツリーベースのタスク生成アプローチは、事前に定義された原始的なタスクのセットを必要としない。
論文参考訳（メタデータ） (2023-02-24T22:53:10Z)
RLET: A Reinforcement Learning Based Approach for Explainable QA with Entailment Trees [47.745218107037786]
本稿では,強化学習に基づくEntailment Tree生成フレームワークであるRLETを提案する。 RLETは文の選択と推論生成モジュールによる単一ステップ推論を反復的に行う。 EntailmentBankデータセットの3つの設定の実験では、RLフレームワークを使用することの強みが示されている。
論文参考訳（メタデータ） (2022-10-31T06:45:05Z)
Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
論文参考訳（メタデータ） (2022-05-26T12:18:44Z)
Learning Behavior Trees with Genetic Programming in Unpredictable Environments [7.839247285151348]
遺伝的プログラミングは行動木の構造を学習するのに有効であることを示す。我々は,学習したBTが現実的なシミュレータで同じタスクを解くことを実証し,タスク特定を必要とせずに収束することを示した。
論文参考訳（メタデータ） (2020-11-06T09:28:23Z)
MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文参考訳（メタデータ） (2020-07-24T17:06:55Z)
Parameterizing Branch-and-Bound Search Trees to Learn Branching Policies [76.83991682238666]
Branch and Bound (B&B) は、Mixed-Integer Linear Programming Problem (MILP) の解法として一般的に用いられる木探索法である。本稿では,新しい模倣学習フレームワークを提案し,分岐を表現するための新しい入力機能とアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-12T17:43:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。