Learn2Decompose: Learning Problem Decomposition for Efficient Task and Motion Planning

要約

私たちは、複数のオブジェクトのマルチステップ操作を含む長期的な操作タスクのための効率的なタスク アンド モーション プランニング (TAMP) アプローチの設計に焦点を当てています。
TAMP ソルバーでは通常、計画期間と環境オブジェクトの数が増加するにつれて、計画にかかる時間が飛躍的に長くなります。
この課題に対処するために、私たちはまず Learn2Decompose を提案します。これはデモンストレーションからの学習 (LfD) アプローチであり、デモンストレーションから埋め込みタスク ルールを学習し、長期的な問題をいくつかのサブ問題に分解します。
これらのサブ問題は、より少ないオブジェクトでより短い期間にわたって計画を立てる必要があり、並行して解決できます。
次に、サブ問題を同時に解決し、結果として得られるターゲット タスクのサブプランを連結する、並列化された階層型 TAMP フレームワークを設計します。これにより、従来の TAMP ソルバーの計画効率が大幅に向上します。
私たちが提案した手法の有効性は、シミュレーションと現実世界の実験の両方で検証されています。

要約(オリジナル)

We focus on designing efficient Task and Motion Planning (TAMP) approach for long-horizon manipulation tasks involving multi-step manipulation of multiple objects. TAMP solvers typically require exponentially longer planning time as the planning horizon and the number of environmental objects increase. To address this challenge, we first propose Learn2Decompose, a Learning from Demonstrations (LfD) approach that learns embedding task rules from demonstrations and decomposes the long-horizon problem into several subproblems. These subproblems require planning over shorter horizons with fewer objects and can be solved in parallel. We then design a parallelized hierarchical TAMP framework that concurrently solves the subproblems and concatenates the resulting subplans for the target task, significantly improving the planning efficiency of classical TAMP solvers. The effectiveness of our proposed methods is validated in both simulation and real-world experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google