Learning Feasibility of Factored Nonlinear Programs in Robotic Manipulation Planning

要約

因数分解非線形プログラム (Factored-NLP) は、一連の連続変数と非線形制約の間の依存関係を明示的にモデル化し、操作計画や位置特定とマッピングの同時実行など、関連するロボット工学の問題を表現的に定式化します。
問題が過度に制約されているか、実行不可能である場合、基本的な問題は、実行不可能な変数と制約の最小限のサブセットを検出することです。
以前のアプローチでは、いくつかの非線形プログラムを解決し、制約を段階的に追加および削除する必要があるため、計算コストが高くなります。
この論文では、どの変数と制約が同時に実行不可能であるかを予測するグラフ ニューラル アーキテクチャを提案します。
このモデルは、因数分解 NLP のラベル付きサブグラフのデータセットを使用してトレーニングされ、重要なことに、トレーニング中に見られたものよりも大規模な因数分解された非線形プログラムに対して有用な予測を行うことができます。
ロボット操作計画におけるアプローチを評価します。このモデルは、より多くのオブジェクトとロボット、およびさまざまな幾何学的環境を含むより長い操作シーケンスに一般化できます。
実験では、学習されたモデルにより、競合抽出のための一般的なアルゴリズムが (50 倍)、専門知識を利用するヒューリスティック アルゴリズムが (4 倍) 高速化されることが示されています。

要約(オリジナル)

A factored Nonlinear Program (Factored-NLP) explicitly models the dependencies between a set of continuous variables and nonlinear constraints, providing an expressive formulation for relevant robotics problems such as manipulation planning or simultaneous localization and mapping. When the problem is over-constrained or infeasible, a fundamental issue is to detect a minimal subset of variables and constraints that are infeasible. Previous approaches require solving several nonlinear programs, incrementally adding and removing constraints, and are thus computationally expensive. In this paper, we propose a graph neural architecture that predicts which variables and constraints are jointly infeasible. The model is trained with a dataset of labeled subgraphs of Factored-NLPs, and importantly, can make useful predictions on larger factored nonlinear programs than the ones seen during training. We evaluate our approach in robotic manipulation planning, where our model is able to generalize to longer manipulation sequences involving more objects and robots, and different geometric environments. The experiments show that the learned model accelerates general algorithms for conflict extraction (by a factor of 50) and heuristic algorithms that exploit expert knowledge (by a factor of 4).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google