Factored Task and Motion Planning with Combined Optimization, Sampling and Learning

要約

本論文では、3つの相補的な観点からTAMPアルゴリズムの性能向上を目指す。第一に、離散タスク計画と連続軌道最適化の統合を研究する。我々の主な貢献は、物理世界の制約を考慮した場合にタスク計画が失敗する可能性がある理由を自動的に発見する競合ベースのソルバーである。この情報はタスクプランナにフィードバックされ、その結果、タスクとモーションの間の効率的、双方向的、かつ直感的なインターフェースを実現し、複数の物体、ロボット、厳しい物理的制約を持つTAMP問題を解くことができる。第2部では、まず、TAMPの幅広いタスクと環境を考えると、サンプリングも最適化も全ての設定において優れているわけではないことを説明する。両アプローチの長所を組み合わせるために、我々はTAMPのためのメタソルバーを設計した。メタソルバーは、どのアルゴリズムと計算を使用するか、また、より速く解を見つけるために各問題をどのように分解するのが最適かを自動的に選択する適応型ソルバーである。第3部では、深層学習アーキテクチャとモデルベース推論を組み合わせて、TAMPソルバー内の計算を高速化する。具体的には、汎化、精度、計算時間、データ効率に焦点を当て、非実現性検出と非線形最適化を対象とする。我々の貢献の中核は、TAMP内部の軌道最適化問題の洗練されたファクタ化された表現です。この構造は、より効率的なプランニング、幾何学的非実現性の符号化、メタ推論を容易にするだけでなく、ニューラルアーキテクチャにおいてより優れた汎化を提供する。

要約(オリジナル)

In this thesis, we aim to improve the performance of TAMP algorithms from three complementary perspectives. First, we investigate the integration of discrete task planning with continuous trajectory optimization. Our main contribution is a conflict-based solver that automatically discovers why a task plan might fail when considering the constraints of the physical world. This information is then fed back into the task planner, resulting in an efficient, bidirectional, and intuitive interface between task and motion, capable of solving TAMP problems with multiple objects, robots, and tight physical constraints. In the second part, we first illustrate that, given the wide range of tasks and environments within TAMP, neither sampling nor optimization is superior in all settings. To combine the strengths of both approaches, we have designed meta-solvers for TAMP, adaptive solvers that automatically select which algorithms and computations to use and how to best decompose each problem to find a solution faster. In the third part, we combine deep learning architectures with model-based reasoning to accelerate computations within our TAMP solver. Specifically, we target infeasibility detection and nonlinear optimization, focusing on generalization, accuracy, compute time, and data efficiency. At the core of our contributions is a refined, factored representation of the trajectory optimization problems inside TAMP. This structure not only facilitates more efficient planning, encoding of geometric infeasibility, and meta-reasoning but also provides better generalization in neural architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL