混合不確実性下でのリソース制約付きロボット計画

- ロボットが限られたリソースの下でタスクを遂行する際の不確実性に対処するための計画問題を扱う。 - 定量化可能なノイズと定量化不可能な未知の両方を含む混合不確実性を考慮。 - リソースを使い果たすことなくタスクを達成するためのロバストな戦略を合成する。 - 消費マルコフ決定過程 with 集合値遷移 (CMDPST) を提案し、非決定性行動、定量化可能・不可能な不確実性、リソース消費を統一的にモデル化。 - タスク仕様は Linear Temporal Logic over finite traces (LTLf) で表現。 - リソース制約付き最適ロバスト戦略合成問題を定式化し、LTLf 目的をリソース枯渇なしに満たす確率を最大化する戦略を求める。

- 従来の研究では、定量化可能な不確実性とリソース制約を別々に扱うことが多かったが、本研究は混合不確実性とリソース制約を同時に考慮する統一フレームワークを提供。 - CMDPST は非決定性行動、定量化可能・不可能な不確実性、リソース消費を一つのモデルで表現できる点が新しい。 - LTLf と組み合わせることで、複雑なタスク仕様を扱える。 - リソース枯渇を避けつつ目的を最大化する戦略合成問題に対する解法を提案。 - 直接展開法と状態空間枝刈りを活用した効率的な手法を開発。

- ロボットシステムを Consumption Markov Decision Process with Set-valued Transitions (CMDPST) としてモデル化。 - CMDPST は非決定性行動、定量化可能な不確実性（確率的遷移）、定量化不可能な不確実性（集合値遷移）、リソース消費を統合。 - タスク仕様を Linear Temporal Logic over finite traces (LTLf) で記述。 - リソース制約付き最適ロバスト戦略合成問題を定義。 - 解法として、直接展開ベースの手法と、状態空間枝刈りを利用したより効率的な最適化手法の2つを提案。

- 倉庫輸送ネットワーク上での実験により、提案手法の有効性を検証。 - 直接展開法と最適化手法の性能を比較し、効率性を評価。 - 具体的な評価指標や結果の詳細は要旨からは不明。

- 要旨からは、提案手法の限界や議論の詳細は不明。 - 混合不確実性下でのリソース制約付き計画の課題や、他の手法との比較に関する議論は明示されていない。

- 要旨で参照されている研究は明示されていない。 - 関連手法として、Markov Decision Process (MDP)、Linear Temporal Logic (LTL)、ロバスト戦略合成、リソース制約付き計画などが挙げられる。 - 同分野の定番として、Probabilistic Model Checking、Reinforcement Learning under Constraints などが考えられる。