Automated Planning Domain Inference for Task and Motion Planning

要約

タスクとモーションプランニング（TAMP）フレームワークは、高レベルのタスクプランナーを低レベルのモーションプランナーと統合することにより、長く複雑な計画の問題に対処します。
ただし、既存のTAMPメソッドは、すべての高レベルアクションの前提条件と事後条件を指定する計画ドメインの手動設計に大きく依存しています。
このペーパーでは、テスト時間の軌跡の少数のデモンストレーションから計画ドメインの推論を自動化する方法を提案し、人間の設計への依存を減らします。
私たちのアプローチには、新しいタスクのドメインの適切なコンポーネントを予測する深い学習ベースの推定器と、この予測を改善し、サイズを縮小し、推定ドメインの有用性を確保する検索アルゴリズムが組み込まれています。
私たちの方法は、テスト時に最小限のデモンストレーションから新しいドメインを生成することができ、ロボットが複雑なタスクをより効率的に処理できるようにすることができます。
私たちのアプローチは、さまざまなタスクにわたるパフォーマンスと一般化の計画の観点から、プランナーの動作を直接模倣するベースラインのクローニングを上回る動作を上回ることを実証します。
さらに、この方法は、新しい計画ドメインを推測するために、テスト時に計算コストとデータ量要件を削減します。

要約(オリジナル)

Task and motion planning (TAMP) frameworks address long and complex planning problems by integrating high-level task planners with low-level motion planners. However, existing TAMP methods rely heavily on the manual design of planning domains that specify the preconditions and postconditions of all high-level actions. This paper proposes a method to automate planning domain inference from a handful of test-time trajectory demonstrations, reducing the reliance on human design. Our approach incorporates a deep learning-based estimator that predicts the appropriate components of a domain for a new task and a search algorithm that refines this prediction, reducing the size and ensuring the utility of the inferred domain. Our method is able to generate new domains from minimal demonstrations at test time, enabling robots to handle complex tasks more efficiently. We demonstrate that our approach outperforms behavior cloning baselines, which directly imitate planner behavior, in terms of planning performance and generalization across a variety of tasks. Additionally, our method reduces computational costs and data amount requirements at test time for inferring new planning domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google