DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability

要約

タスク アンド モーション プランニング (TAMP) アプローチは、長期的な自律ロボット操作の計画に効果的です。
ただし、計画モデルが必要なため、環境とそのダイナミクスが完全にわかっていない領域に適用するのは困難な場合があります。
私たちは、深い生成モデリング、特に拡散モデルを活用して、計画モデルのエンジニアリングが難しい側面を捉える制約とサンプラーを学習することで、これらの制限を克服することを提案します。
これらの学習されたサンプラーは、計画に沿った制約を満たすアクション パラメーター値を共同で見つけるために、TAMP ソルバー内で構成および結合されます。
環境内の目に見えないオブジェクトを適切に予測するために、変化するオブジェクトの状態の低次元学習済み潜在埋め込みにこれらのサンプラーを定義します。
多関節オブジェクト操作ドメインでのアプローチを評価し、古典的な TAMP、生成学習、潜在埋め込みの組み合わせによってどのように長期制約ベースの推論が可能になるかを示します。

要約(オリジナル)

Task and Motion Planning (TAMP) approaches are effective at planning long-horizon autonomous robot manipulation. However, because they require a planning model, it can be difficult to apply them to domains where the environment and its dynamics are not fully known. We propose to overcome these limitations by leveraging deep generative modeling, specifically diffusion models, to learn constraints and samplers that capture these difficult-to-engineer aspects of the planning model. These learned samplers are composed and combined within a TAMP solver in order to find action parameter values jointly that satisfy the constraints along a plan. To tractably make predictions for unseen objects in the environment, we define these samplers on low-dimensional learned latent embeddings of changing object state. We evaluate our approach in an articulated object manipulation domain and show how the combination of classical TAMP, generative learning, and latent embeddings enables long-horizon constraint-based reasoning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google