Safe Planner: Empowering Safety Awareness in Large Pre-Trained Models for Robot Task Planning

要約

ロボットのタスク計画は、長期にわたる困難なタスクを遂行する自律ロボットにとって重要な問題です。
事前にトレーニングされた大規模なモデルは優れた計画能力を実証しているため、最近の研究では、大規模なモデルを利用してさまざまなタスクでロボットの自律的な計画を実現することが研究されています。
ただし、大規模なモデルはインターネット データで事前トレーニングされており、実際のタスク シーンの知識が不足しているため、プランナーとしての大規模なモデルは、ロボットや周囲の環境に害を及ぼす危険な決定を下す可能性があります。
この課題を解決するために、私たちは新しい Safe Planner フレームワークを提案します。これは、大規模な事前トレーニング済みモデルでの安全意識を強化し、安全で実行可能な計画を達成します。
このフレームワークでは、高レベルの大規模モデル計画者をガイドする安全予測モジュールを開発します。シミュレーターで訓練されたこの安全モジュールは、現実世界のタスクに効果的に転送できます。
提案された Safe Planner フレームワークは、シミュレートされた環境と実際のロボットの両方で評価されます。
実験結果は、Safe Planner が最先端のタスク成功率を達成するだけでなく、タスク実行中の安全性も大幅に向上することを示しています。
実験ビデオは https://sites.google.com/view/safeplanner に表示されます。

要約(オリジナル)

Robot task planning is an important problem for autonomous robots in long-horizon challenging tasks. As large pre-trained models have demonstrated superior planning ability, recent research investigates utilizing large models to achieve autonomous planning for robots in diverse tasks. However, since the large models are pre-trained with Internet data and lack the knowledge of real task scenes, large models as planners may make unsafe decisions that hurt the robots and the surrounding environments. To solve this challenge, we propose a novel Safe Planner framework, which empowers safety awareness in large pre-trained models to accomplish safe and executable planning. In this framework, we develop a safety prediction module to guide the high-level large model planner, and this safety module trained in a simulator can be effectively transferred to real-world tasks. The proposed Safe Planner framework is evaluated on both simulated environments and real robots. The experiment results demonstrate that Safe Planner not only achieves state-of-the-art task success rates, but also substantially improves safety during task execution. The experiment videos are shown in https://sites.google.com/view/safeplanner .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google