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

要約

ロボットの記号的タスク計画は、考えられる動作空間の組み合わせが複雑であるため、計算的に困難です。
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サブ目標がいくつかある場合、この事実はさらに大きくなります。
この研究では、モンテカルロ木探索に基づいた決定論的意思決定プロセスのための複数目標のシンボリック タスク プランナーを提案します。
すでにいくつかのサブ目標を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。
サブゴールの数が線形的に複雑であるため、私たちのアルゴリズムは 145 個の要素のシンボリック アクション シーケンスを識別して、最大 48 個のサブゴールで目的のゴール状態に到達することができますが、検索ツリーは 6500 ノード未満に制限されています。
計算の複雑さをさらに軽減するために、運動学的到達可能性基準に基づいたアクション削減を使用します。
私たちはアルゴリズムをオブジェクトの位置特定と動作計画と組み合わせ、工業用ベアリング検査設定における 2 台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)

Symbolic 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 symbolic task planner 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 symbolic 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