Symbolic Manipulation Planning with Discovered Object and Relational Predicates

要約

ロボットによる環境の監視なし探索と継続的な感覚運動体験から、長期的な計画に使用できるシンボルやルールを発見することは、困難な作業です。
以前の研究では、単一またはペアのオブジェクトの相互作用からシンボルを学習し、これらのシンボルを使用して計画を立てることが提案されていました。
この研究では、任意の数のオブジェクトとそれらの間の関係をエンコードする、発見されたオブジェクトと関係シンボルを使用してルールを学習し、それらのルールを計画ドメイン記述言語 (PDDL) に変換し、アフォーダンスを含む計画を生成するシステムを提案します。
タスクを達成するための任意の数のオブジェクト。
私たちは、さまざまなサイズの箱型の物体​​を使用してシステムを検証し、箱が一緒に運ばれるなど、さまざまな構成の物体複合体を考慮して、システムが拾い上げる、運ぶ、配置する操作の象徴的な知識を開発できることを示しました。
それらが置かれる大きな箱。
また、私たちの方法を最先端の方法と比較し、関係シンボル上で定義された演算子を使用した計画の方が、ベースラインと比較して計画のパフォーマンスが向上することを示しました。

要約(オリジナル)

Discovering the symbols and rules that can be used in long-horizon planning from a robot’s unsupervised exploration of its environment and continuous sensorimotor experience is a challenging task. The previous studies proposed learning symbols from single or paired object interactions and planning with these symbols. In this work, we propose a system that learns rules with discovered object and relational symbols that encode an arbitrary number of objects and the relations between them, converts those rules to Planning Domain Description Language (PDDL), and generates plans that involve affordances of the arbitrary number of objects to achieve tasks. We validated our system with box-shaped objects in different sizes and showed that the system can develop a symbolic knowledge of pick-up, carry, and place operations, taking into account object compounds in different configurations, such as boxes would be carried together with a larger box that they are placed on. We also compared our method with the state-of-the-art methods and showed that planning with the operators defined over relational symbols gives better planning performance compared to the baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google