STAMP: Differentiable Task and Motion Planning via Stein Variational Gradient Descent

要約

ツールの使用や部品の組み立てなど、多くの操作タスクを計画するには、多くの場合、記号的推論と幾何学的な推論の両方が必要です。
タスク アンド モーション プランニング (TAMP) アルゴリズムは、通常、運動学的および動的実現可能性をチェックしながら、高レベルのタスク シーケンスに対してツリー検索を実行することで、これらの問題を解決します。
実行可能なアクションやオブジェクトの数に応じてツリーの幅が指数関数的に増加する可能性があるため、これは非効率的になる可能性があります。
この論文では、離散および連続の TAMP 問題を連続領域上の推論問題に緩和する、TAMP への新しいアプローチを提案します。
その後、私たちの手法である Stein Task and Motion Planning (STAMP) は、Stein 変分勾配降下法と呼ばれる勾配ベースの変分推論アルゴリズムを使用し、並列微分可能な物理シミュレーターから勾配を取得することで、この新しい問題を解決します。
離散変数に緩和を導入し、並列化を活用し、TAMP をベイズ推論問題としてアプローチすることにより、私たちの方法は 1 回の最適化実行で複数の多様な計画を効率的に見つけることができます。
2 つの TAMP 問題について手法を実証し、既存の TAMP ベースラインに対してベンチマークを行います。

要約(オリジナル)

Planning for many manipulation tasks, such as using tools or assembling parts, often requires both symbolic and geometric reasoning. Task and Motion Planning (TAMP) algorithms typically solve these problems by conducting a tree search over high-level task sequences while checking for kinematic and dynamic feasibility. This can be inefficient as the width of the tree can grow exponentially with the number of possible actions and objects. In this paper, we propose a novel approach to TAMP that relaxes discrete-and-continuous TAMP problems into inference problems on a continuous domain. Our method, Stein Task and Motion Planning (STAMP) subsequently solves this new problem using a gradient-based variational inference algorithm called Stein Variational Gradient Descent, by obtaining gradients from a parallelized differentiable physics simulator. By introducing relaxations to the discrete variables, leveraging parallelization, and approaching TAMP as an Bayesian inference problem, our method is able to efficiently find multiple diverse plans in a single optimization run. We demonstrate our method on two TAMP problems and benchmark them against existing TAMP baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google