Task and Motion Planning for Execution in the Real

要約

タスクおよびモーション プランニングは、個別のタスク ドメインに対する推論と連続的なモーション生成を組み合わせた強力なハイブリッド プランニング手法のセットを表します。
従来の推論では、タスク ドメイン モデルと、アクションを動作計画クエリに基づいて実行するための十分な情報が必要です。
この知識のギャップは、オクルージョンや不正確なモデリングなどの原因から生じることがよくあります。
この作業により、計画時に完全に実行できないアクションを含むタスクおよび動作計画が生成されます。
実行中、このようなアクションは、人間が設計した、または学習した閉ループ動作によって処理されます。
実行では、タスクの目標に到達するまで、オフラインで計画された動作とオンラインでの動作が組み合わせられます。
行動の失敗は、新しい計画を見つけるための制約としてフィードバックされます。
提案されたフレームワークを評価し、最先端のフレームワークと比較するために、40 件の実際のロボットのトライアルと動機付けのデモンストレーションが実行されます。
結果は、実行時間が短縮され、アクションの数が減り、さまざまなギャップが生じる問題でより多くの成功が得られることを示しています。
実験データは研究者がこれらの設定をシミュレートするために共有されます。
この研究は、ロボットが対処できる現実的な部分的に根拠のある問題の適用可能なクラスを拡大する可能性を示しています。

要約(オリジナル)

Task and motion planning represents a powerful set of hybrid planning methods that combine reasoning over discrete task domains and continuous motion generation. Traditional reasoning necessitates task domain models and enough information to ground actions to motion planning queries. Gaps in this knowledge often arise from sources like occlusion or imprecise modeling. This work generates task and motion plans that include actions cannot be fully grounded at planning time. During execution, such an action is handled by a provided human-designed or learned closed-loop behavior. Execution combines offline planned motions and online behaviors till reaching the task goal. Failures of behaviors are fed back as constraints to find new plans. Forty real-robot trials and motivating demonstrations are performed to evaluate the proposed framework and compare against state-of-the-art. Results show faster execution time, less number of actions, and more success in problems where diverse gaps arise. The experiment data is shared for researchers to simulate these settings. The work shows promise in expanding the applicable class of realistic partially grounded problems that robots can address.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google