Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning

要約

多くの多関節障害物や可動障害物がある環境におけるモバイル操作の問題を解決するための、学習可能なタスクおよび動作計画 (TAMP) アルゴリズムを紹介します。
私たちのアイデアは、学習された計画実現可能性予測子を使用して、従来の TAMP プランナーの検索手順にバイアスをかけることです。
私たちのアルゴリズムの中核となるのは、タスク プラン、目標、初期状態を取り込んで、タスク プランに関連付けられたモーション トラジェクトリを見つける確率を予測する、Transformer ベースの新しい学習メソッドである PIGINet です。
PIGINet を TAMP プランナー内に統合します。TAMP プランナーは、高レベルのタスク プランの多様なセットを生成し、予測された実現可能性の順に並べ替えて、その順序で絞り込みます。
キッチンの配置換え問題の 7 つのファミリーについて TAMP アルゴリズムの実行時間を評価し、そのパフォーマンスを非学習ベースラインのパフォーマンスと比較します。
私たちの実験では、PIGINet が計画効率を大幅に向上させ、わずか 150 ～ 600 個の問題でトレーニングした後、小さな状態空間の問題では実行時間を 80%、より大きな状態空間では 10% ～ 50% 削減できることがわかりました。
最後に、オブジェクトの視覚的なエンコーディングのおかげで、目に見えないオブジェクト カテゴリの問題に対するゼロショットの一般化も実現します。
プロジェクトページ https://piginet.github.io/。

要約(オリジナル)

We present a learning-enabled Task and Motion Planning (TAMP) algorithm for solving mobile manipulation problems in environments with many articulated and movable obstacles. Our idea is to bias the search procedure of a traditional TAMP planner with a learned plan feasibility predictor. The core of our algorithm is PIGINet, a novel Transformer-based learning method that takes in a task plan, the goal, and the initial state, and predicts the probability of finding motion trajectories associated with the task plan. We integrate PIGINet within a TAMP planner that generates a diverse set of high-level task plans, sorts them by their predicted likelihood of feasibility, and refines them in that order. We evaluate the runtime of our TAMP algorithm on seven families of kitchen rearrangement problems, comparing its performance to that of non-learning baselines. Our experiments show that PIGINet substantially improves planning efficiency, cutting down runtime by 80% on problems with small state spaces and 10%-50% on larger ones, after being trained on only 150-600 problems. Finally, it also achieves zero-shot generalization to problems with unseen object categories thanks to its visual encoding of objects. Project page https://piginet.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google