A Survey of Optimization-based Task and Motion Planning: From Classical To Learning Approaches

要約

タスク＆モーションプランニング（TAMP）は、高レベルのタスクプランニングと低レベルのモーションプランニングを統合することで、ロボットに長期的でダイナミックなタスクを効果的に推論する自律性を与えます。最適化ベースのTAMPは、目的関数によってゴール条件を定義するハイブリッド最適化アプローチに焦点を当てており、オープンエンドなゴール、ロボットのダイナミクス、ロボットと環境間の物理的相互作用を扱うことができます。したがって、最適化ベースのTAMPは、非常に複雑で接触が多いロコモーションやマニピュレーションの問題を解くのに特に適している。本サーベイでは、(i)行動記述言語や時間論理を含む計画領域の表現、(ii)AI計画や軌道最適化（TO）を含むTAMPの構成要素の個々の解決戦略、(iii)論理ベースのタスク計画とモデルベースのTOの動的な相互作用について、最適化ベースのTAMPに関する包括的なレビューを行う。このサーベイでは、TAMPを効率的に解くためのアルゴリズム構造、特に階層型アプローチと分散型アプローチに焦点を当てている。さらに、本サーベイでは、古典的手法と大規模言語モデルのような現代の学習ベースの革新的手法との間の相乗効果を強調する。さらに、本サーベイでは、アルゴリズムとアプリケーション固有の課題の両方に焦点を当て、TAMPの今後の研究の方向性について議論する。

要約(オリジナル)

Task and Motion Planning (TAMP) integrates high-level task planning and low-level motion planning to equip robots with the autonomy to effectively reason over long-horizon, dynamic tasks. Optimization-based TAMP focuses on hybrid optimization approaches that define goal conditions via objective functions and are capable of handling open-ended goals, robotic dynamics, and physical interaction between the robot and the environment. Therefore, optimization-based TAMP is particularly suited to solve highly complex, contact-rich locomotion and manipulation problems. This survey provides a comprehensive review on optimization-based TAMP, covering (i) planning domain representations, including action description languages and temporal logic, (ii) individual solution strategies for components of TAMP, including AI planning and trajectory optimization (TO), and (iii) the dynamic interplay between logic-based task planning and model-based TO. A particular focus of this survey is to highlight the algorithm structures to efficiently solve TAMP, especially hierarchical and distributed approaches. Additionally, the survey emphasizes the synergy between the classical methods and contemporary learning-based innovations such as large language models. Furthermore, the future research directions for TAMP is discussed in this survey, highlighting both algorithmic and application-specific challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL