Anticipatory Planning for Performant Long-Lived Robot in Large-Scale Home-Like Environments

要約

私たちは、ロボットが永続的な大規模環境で一度に 1 つずつ与えられた一連のタスクを完了しなければならないという設定を検討します。
既存のタスク プランナーは、現在の行動が将来のタスクに及ぼす影響を考慮せず、目先の目標のみに焦点を当て、近視眼的に行動することがよくあります。
予測的計画は、現在のタスクの当面の計画コストと将来の後続タスクに関連する予想コストの共同目標を削減し、長期にわたるタスクの計画を改善するためのアプローチを提供します。
ただし、大規模な環境で予期的な計画を適用すると、関連する資産の数が膨大になるため、大きな課題が生じ、学習と計画のスケーラビリティに負担がかかります。
この研究では、大規模な現実的な環境に拡張するように設計されたモデルベースの予測タスク計画フレームワークを紹介します。
私たちのフレームワークは、特に 3D シーン グラフにヒントを得た表現を介して GNN を使用し、州の予想コストの推定に不可欠な環境の本質的な特性と、実用的な大規模な予測計画のためのサンプリング ベースの手順を学習します。
私たちの実験結果は、プランナーがタスク シーケンスのコストを家庭では 5.38%、レストランでは 31.5% 削減したことを示しています。
私たちのモデルを使用して事前に準備する時間が与えられた場合、タスク シーケンスのコストはそれぞれ 40.6% と 42.5% 削減されます。

要約(オリジナル)

We consider the setting where a robot must complete a sequence of tasks in a persistent large-scale environment, given one at a time. Existing task planners often operate myopically, focusing solely on immediate goals without considering the impact of current actions on future tasks. Anticipatory planning, which reduces the joint objective of the immediate planning cost of the current task and the expected cost associated with future subsequent tasks, offers an approach for improving long-lived task planning. However, applying anticipatory planning in large-scale environments presents significant challenges due to the sheer number of assets involved, which strains the scalability of learning and planning. In this research, we introduce a model-based anticipatory task planning framework designed to scale to large-scale realistic environments. Our framework uses a GNN in particular via a representation inspired by a 3D Scene Graph to learn the essential properties of the environment crucial to estimating the state’s expected cost and a sampling-based procedure for practical large-scale anticipatory planning. Our experimental results show that our planner reduces the cost of task sequence by 5.38% in home and 31.5% in restaurant settings. If given time to prepare in advance using our model reduces task sequence costs by 40.6% and 42.5%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google