Learning to Search in Task and Motion Planning with Streams

要約

ロボット工学におけるタスクおよび動作計画の問題は、離散タスク変数に対する記号計画と、連続状態および動作変数に対する動作の最適化を組み合わせます。
PDDLStream などの最近の研究は、実現可能な軌道が見つかるまで段階的に増加するオブジェクトのセットを使用した楽観的な計画に焦点を当てています。
ただし、このセットは、当面の問題の論理的および幾何学的構造に関係なく、幅優先の方法で徹底的に拡張されるため、多数のオブジェクトを使用した長期的な推論には法外に時間がかかります。
この問題に対処するために、事前の検索計算から学習したグラフ ニューラル ネットワークによって優先順位を付けて、オブジェクトとファクトのセットを最良優先の方法で拡張する、幾何学的情報に基づいたシンボリック プランナーを提案します。
私たちはさまざまな問題に対するアプローチを評価し、困難なシナリオで計画を立てる能力の向上を実証します。
また、ブロックスタッキング操作タスクの 7DOF ロボット アームにもアルゴリズムを適用します。

要約(オリジナル)

Task and motion planning problems in robotics combine symbolic planning over discrete task variables with motion optimization over continuous state and action variables. Recent works such as PDDLStream have focused on optimistic planning with an incrementally growing set of objects until a feasible trajectory is found. However, this set is exhaustively expanded in a breadth-first manner, regardless of the logical and geometric structure of the problem at hand, which makes long-horizon reasoning with large numbers of objects prohibitively time-consuming. To address this issue, we propose a geometrically informed symbolic planner that expands the set of objects and facts in a best-first manner, prioritized by a Graph Neural Network that is learned from prior search computations. We evaluate our approach on a diverse set of problems and demonstrate an improved ability to plan in difficult scenarios. We also apply our algorithm on a 7DOF robotic arm in block-stacking manipulation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google