不可靠模型下的机器人规划与执行

机器人靠模型来做规划和执行：模型把环境里与机器人相关的各个方面刻画下来，让机器人能预测每一个可能动作的结果，从而规划出一条高效的行为路径去完成任务。问题在于，没有模型是完美的。摩擦力这类接触力、不可预测的人类行为，都属于极难精确建模的现实现象，实践中通常只能做简化假设，而这些假设总会在某些地方失效。一旦机器人依赖这种简化模型做规划与执行，性能就会因模型的不准确而受损——这样的模型被称为不可靠（unreliable）的。Ellis Ratner 在 UC Berkeley EECS 的博士论文《Robot Planning and Execution with Unreliable Models》正是围绕这一困境展开：既然模型不可靠难以避免，如何让规划与执行系统尽可能对不可靠模型保持鲁棒。论文由 Anca Dragan 与 Claire Tomlin 共同担任委员会主席，Ken Goldberg 与 Terry Fong 任委员，2022 年秋季提交，对应的技术报告编号为 UCB/EECS-2023-243。

论文把「基于模型的规划与执行系统」拆成两个关键环节来提升鲁棒性。第一步是：如何选择一个最能刻画机器人当前所处环境的模型；第二步是：在模型可能不可靠的前提下，如何用这个模型去做规划。这个拆解本身就是一种判断——鲁棒性不只是一个规划算法的问题，模型选择同样是不确定性的来源。围绕这两点，论文提出三个新算法。第一个算法让机器人能够在更大的候选模型集合中，在线挑选出最适合当前情境的模型。材料在此处明确提醒：即便是这个「最好」的模型，也未必完全可靠。

第二项工作正是对这一提醒的回应：为机器人补上一种能力，去推理它应当在哪些地方依赖模型、在哪些地方不该依赖模型。换句话说，系统不只输出一个动作序列，还要对「模型在这里说的话能不能信」形成判断，并据此调整行为。材料对第三个算法的具体内容在此处被截断，未给出完整描述，因此这里只能确认其存在，无法展开其方法细节。

从论证结构看，论文的核心主张是：把鲁棒性当作规划与执行系统的一阶设计目标，而不是事后补丁。材料的推理链条相当清晰——真实世界现象难以精确建模，于是人们做简化假设，假设必然在某处失效，失效导致性能下降，因此必须显式设计对不可靠模型的鲁棒性。这条链条也解释了为什么论文同时处理「选模型」和「用模型规划」：前者决定误差从哪来，后者决定误差如何被吸收。需要说明的是，材料只提供了摘要层面的论述与三个算法的问题定位，没有给出实验平台、数据集、定量指标或对比结果，任何关于「效果提升多少」的具体说法都超出了材料范围。

对做机器人系统的读者来说，这意味着一个实用的检查清单：在搭建基于模型的规划器时，先问候选模型是否足够多、能否在线切换；再问系统是否知道模型在哪些状态下不可信。把「模型可能在何处失效」显式地纳入规划，而不是默认模型正确，是这篇论文给出的方向性建议。这是一种解读，但它与材料中「critical to design the robot's planning and execution systems to be as robust as possible to unreliable models」的表述一致。对于接触密集的操作任务或需要与人共处的场景，材料点出的摩擦与人类行为两类难建模现象，正好对应这类建议的典型适用面。

这份资料的边界也很清楚：它是一篇博士论文的摘要与前置部分，篇幅上适合用来快速判断该研究的问题设定与技术路线是否与自己的关切重合，而不适合用来查找具体算法公式或实验数字。读完可以拿走的是一套问题框架——不可靠模型的两个应对切口（模型选择、模型条件下的规划）以及三个算法各自解决哪一段——以及若干可以直接借用的表述，例如把模型可靠性问题定义为「规划与执行系统无法依赖模型预测来保证任务以良好性能完成」。若需要判断这些算法在真实系统上的表现，还需要回到论文正文，而正文内容不在本材料之内。

Robot Planning and Execution with Unreliable Models Ellis Ratner Electrical Engineering and Computer Sciences University of California, Berkeley Technical Report No. UCB/EECS-2023-243 http://www2.eecs.berkeley.edu/Pubs/TechRpts/2023/EECS-2023-243.html December 1, 2023 Copyright © 2023, by the author(s). All rights reserved. Permission to make digital or hard copies of all or part of this work for personal or classroom use is granted without fee provided that copies are not made or distributed for profit or commercial advantage and that copies bear this notice and the full citation on the first page. To copy otherwise, to republish, to post on servers or to redistribute to lists, requires prior specific permission.