Future Predictive Success-or-Failure Classification for Long-Horizon Robotic Tasks

要約

ロボットアームによるロングホライズンタスクの自動化は、ロボット工学の中心的な研究テーマである。最適化に基づく行動計画は、与えられたタスクを完了するための行動計画を作成するための効率的なアプローチである。信頼性の高い計画手法の構築には、例えば物体同士の衝突を回避するための条件設計プロセスが必要である。しかし、この設計プロセスには2つの重大な問題がある：1)試行錯誤の繰り返し–条件を修正する試行錯誤のため設計に時間がかかる、2)手作業による再設計–必要な条件をすべて手作業で網羅することは困難である。これらの問題に対して、本論文では、条件を自動的に求めるための未来予測型成功・失敗分類法を提案する。提案手法の背後にある重要なアイデアは、手動で条件を再設計する代わりに、行動計画が与えられたタスクを完了できるかどうかを判断するためのエンドツーエンドのアプローチである。提案手法は、アクションプランを実行することなく、成功・失敗の分類を可能にするために、ロングホライズン未来予測手法を用いる。また、本論文では、予測しやすい特徴分布を提供するために、遷移一貫性正則化と呼ばれる正則化項を提案する。この正則化項は将来予測と分類性能を向上させる。本手法の有効性を、分類実験とロボット操作実験により実証する。

要約(オリジナル)

Automating long-horizon tasks with a robotic arm has been a central research topic in robotics. Optimization-based action planning is an efficient approach for creating an action plan to complete a given task. Construction of a reliable planning method requires a design process of conditions, e.g., to avoid collision between objects. The design process, however, has two critical issues: 1) iterative trials–the design process is time-consuming due to the trial-and-error process of modifying conditions, and 2) manual redesign–it is difficult to cover all the necessary conditions manually. To tackle these issues, this paper proposes a future-predictive success-or-failure-classification method to obtain conditions automatically. The key idea behind the proposed method is an end-to-end approach for determining whether the action plan can complete a given task instead of manually redesigning the conditions. The proposed method uses a long-horizon future-prediction method to enable success-or-failure classification without the execution of an action plan. This paper also proposes a regularization term called transition consistency regularization to provide easy-to-predict feature distribution. The regularization term improves future prediction and classification performance. The effectiveness of our method is demonstrated through classification and robotic-manipulation experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL