Learn2Decompose: Learning Problem Decomposition for Efficient Sequential Multi-object Manipulation Planning

要約

動的環境での効率的なシーケンシャルマルチオブジェクト操作のためのリアクティブタスクおよびモーションプランニング（TAMP）アプローチを提示します。
従来のTAMPソルバーは、計画の地平線とオブジェクトの数が増加するにつれて、計画時間の指数関数的な増加を経験し、実際のシナリオでの適用性を制限します。
これに対処するために、TAMPソルバーを加速するために、デモンストレーションからの学習問題分解を提案します。
私たちのアプローチは、目標分解学習、時間的遠隔学習、オブジェクトの削減の3つの重要なコンポーネントで構成されています。
目標分解は、最終目標に到達する前にシステムが通過する必要がある状態の必要なシーケンスを識別し、それらをサブゴールシーケンスとして扱います。
時間的距離学習は、2つの状態間の時間的距離を予測し、システムが乱れた状態から最も近いサブゴールを識別できるようにします。
オブジェクトの削減は、再生中に考慮されるアクティブオブジェクトのセットを最小限に抑え、効率をさらに向上させます。
3つのベンチマークでのアプローチを評価し、動的環境での連続したマルチオブジェクト操作タスクの再生効率を改善する上でその有効性を示しています。

要約(オリジナル)

We present a Reactive Task and Motion Planning (TAMP) approach for efficient sequential multi-object manipulation in dynamic environments. Conventional TAMP solvers experience an exponential increase in planning time as the planning horizon and number of objects grow, limiting their applicability in real-world scenarios. To address this, we propose learning problem decomposition from demonstrations to accelerate TAMP solvers. Our approach consists of three key components: goal decomposition learning, temporal distance learning, and object reduction. Goal decomposition identifies the necessary sequences of states that the system must pass through before reaching the final goal, treating them as subgoal sequences. Temporal distance learning predicts the temporal distance between two states, enabling the system to identify the closest subgoal from a disturbed state. Object reduction minimizes the set of active objects considered during replanning, further improving efficiency. We evaluate our approach on three benchmarks, demonstrating its effectiveness in improving replanning efficiency for sequential multi-object manipulation tasks in dynamic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google