Differentiable GPU-Parallelized Task and Motion Planning

要約

長距離ロボットの操作を計画するには、どのオブジェクトと対話するかについて個別の決定を下す必要があり、それらと対話する方法について継続的な決定が必要です。
ロボットプランナーは、実行可能で安全な把握、配置、およびモーションを選択する必要があります。
このクラスの問題は、タスクとモーションプランニング（TAMP）に該当し、特にソリューションスペースが非常に制約されている場合、アルゴリズムのランタイムとソリューション品質の点で重要な計算上の課題をもたらします。
これらの課題に対処するために、GPUの並列性を活用して数千の候補者の連続ソリューションを同時に効率的に調査する新しいBilevel Tampアルゴリズムを提案します。
私たちのアプローチでは、GPUの並列性を使用して、プランスケルトンのソリューションシードの初期バッチをサンプリングし、このバッチに微分可能な最適化を適用して、プランの制約を満たし、ソフト目標に関するソリューションコストを最小限に抑えます。
私たちのアルゴリズムは、わずか数秒で非凸の制約を伴う高度に制約された問題を効果的に解決し、実質的にシリアルTAMPアプローチを上回り、複数の現実世界のロボットでアプローチを検証できることを実証します。
プロジェクトWebサイトとコード：https：//cutamp.github.io

要約(オリジナル)

Planning long-horizon robot manipulation requires making discrete decisions about which objects to interact with and continuous decisions about how to interact with them. A robot planner must select grasps, placements, and motions that are feasible and safe. This class of problems falls under Task and Motion Planning (TAMP) and poses significant computational challenges in terms of algorithm runtime and solution quality, particularly when the solution space is highly constrained. To address these challenges, we propose a new bilevel TAMP algorithm that leverages GPU parallelism to efficiently explore thousands of candidate continuous solutions simultaneously. Our approach uses GPU parallelism to sample an initial batch of solution seeds for a plan skeleton and to apply differentiable optimization on this batch to satisfy plan constraints and minimize solution cost with respect to soft objectives. We demonstrate that our algorithm can effectively solve highly constrained problems with non-convex constraints in just seconds, substantially outperforming serial TAMP approaches, and validate our approach on multiple real-world robots. Project website and code: https://cutamp.github.io

arxiv情報

提供元, 利用サービス

arxiv.jp, Google