Monte-Carlo Tree Search with Prioritized Node Expansion for Multi-Goal Task Planning

要約

ロボットのタスク計画は、可能なアクション空間の組み合わせの複雑さにより、計算が困難です。
この事実は、アクション シーケンスの長さが長くなったために達成すべきいくつかのサブ目標がある場合に増幅されます。
この作業では、モンテカルロ木探索に基づく決定論的意思決定プロセスのためのマルチゴール タスク プランニング アルゴリズムを提案します。
いくつかのサブゴールをすでに達成しているノードを優先する、優先ノード拡張によってアルゴリズムを強化します。
サブゴールの数が直線的に複雑であるため、アルゴリズムは、検索ツリーが 6500 ノード未満に制限されている間に、最大 48 個のサブゴールで目的のゴール状態に到達するための 145 要素のアクション シーケンスを特定できます。
計算の複雑さをさらに軽減するために、運動学的な到達可能性基準に基づくアクション削減を使用します。
私たちのアルゴリズムをオブジェクトのローカリゼーションおよびモーション プランニングと組み合わせて、工業用ベアリング検査設定で 2 つのマニピュレーターを使用した実際のロボットのデモンストレーションに適用します。

要約(オリジナル)

Task planning for robots is computationally challenging due to the combinatorial complexity of the possible action space. This fact is amplified if there are several sub-goals to be achieved due to the increased length of the action sequences. In this work, we propose a multi-goal task planning algorithm for deterministic decision processes based on Monte Carlo Tree Search. We augment the algorithm by prioritized node expansion which prioritizes nodes that already have fulfilled some sub-goals. Due to its linear complexity in the number of sub-goals our algorithm is able to identify action sequences of 145 elements to reach the desired goal state with up to 48 sub-goals while the search tree is limited to under 6500 nodes. We use action reduction based on a kinematic reachability criterion to further ease computational complexity. We combine our algorithm with object localization and motion planning and apply it to a real-robot demonstration with two manipulators in an industrial bearing inspection setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google