Multi-Modal MPPI and Active Inference for Reactive Task and Motion Planning

要約

タスク アンド モーション プランニング (TAMP) は、複雑な操作タスクにおいて進歩を遂げていますが、計画されたソリューションの実行の堅牢性は依然として見落とされています。
この研究では、実行時の不確実性と外乱に対処するためのリアクティブ TAMP の方法を提案します。
適応的な高レベルのアクション選択のためのアクティブ推論プランナー (AIP) と、低レベルの制御のための新しいマルチモーダル モデル予測パス積分コントローラー (M3P2I) を組み合わせます。
これにより、高レベルのアクションと低レベルの動作の両方を同時に適応させるスキームが得られます。
AIP は代替シンボリック プランを生成し、それぞれが M3P2I のコスト関数にリンクされます。
後者では、さまざまな軌道ロールアウトに物理シミュレーターを採用し、コストに応じてさまざまなサンプルの重み付けを行うことで最適な制御を導き出します。
このアイデアにより、流動的かつ事後的な計画実行のためにさまざまなロボット スキルをブレンドすることが可能になり、たとえば現在の計画を無効にする動的な障害や外乱に対処するための高レベルと低レベルの両方での計画調整に対応できます。
私たちはシミュレーションと現実世界のシナリオでアプローチをテストしました。

要約(オリジナル)

Task and Motion Planning (TAMP) has made strides in complex manipulation tasks, yet the execution robustness of the planned solutions remains overlooked. In this work, we propose a method for reactive TAMP to cope with runtime uncertainties and disturbances. We combine an Active Inference planner (AIP) for adaptive high-level action selection and a novel Multi-Modal Model Predictive Path Integral controller (M3P2I) for low-level control. This results in a scheme that simultaneously adapts both high-level actions and low-level motions. The AIP generates alternative symbolic plans, each linked to a cost function for M3P2I. The latter employs a physics simulator for diverse trajectory rollouts, deriving optimal control by weighing the different samples according to their cost. This idea enables blending different robot skills for fluid and reactive plan execution, accommodating plan adjustments at both the high and low levels to cope, for instance, with dynamic obstacles or disturbances that invalidate the current plan. We have tested our approach in simulations and real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google