論文の概要: Extended Task and Motion Planning of Long-horizon Robot Manipulation
- arxiv url: http://arxiv.org/abs/2103.05456v1
- Date: Tue, 9 Mar 2021 14:44:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 14:44:54.065906
- Title: Extended Task and Motion Planning of Long-horizon Robot Manipulation
- Title（参考訳）: 長軸ロボットマニピュレーションの延長課題と運動計画
- Authors: Tianyu Ren, Georgia Chalvatzaki, Jan Peters
- Abstract要約: タスクとモーション計画(TAMP)には、シンボリック推論とメトリックモーション計画の統合が必要です。
ほとんどのtampアプローチは、シンボリックレベルで環境に関する知識が欠けている場合、実現可能なソリューションを提供しない。
本稿では,計画骨格と行動パラメータに対する決定空間の拡張に関する新たな意思決定手法を提案する。
- 参考スコア（独自算出の注目度）: 28.951816622135922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Task and Motion Planning (TAMP) requires the integration of symbolic
reasoning with metric motion planning that accounts for the robot's actions'
geometric feasibility. This hierarchical structure inevitably prevents the
symbolic planners from accessing the environment's low-level geometric
description, vital to the problem's solution. Most TAMP approaches fail to
provide feasible solutions when there is missing knowledge about the
environment at the symbolic level. The incapability of devising alternative
high-level plans leads existing planners to a dead end. We propose a novel
approach for decision-making on extended decision spaces over plan skeletons
and action parameters. We integrate top-k planning for constructing an explicit
skeleton space, where a skeleton planner generates a variety of candidate
skeleton plans. Moreover, we effectively combine this skeleton space with the
resultant motion parameter spaces into a single extended decision space.
Accordingly, we use Monte-Carlo Tree Search (MCTS) to ensure an
exploration-exploitation balance at each decision node and optimize globally to
produce minimum-cost solutions. The proposed seamless combination of symbolic
top-k planning with streams, with the proved optimality of MCTS, leads to a
powerful planning algorithm that can handle the combinatorial complexity of
long-horizon manipulation tasks. We empirically evaluate our proposed algorithm
in challenging manipulation tasks with different domains that require
multi-stage decisions and show how our method can overcome dead-ends through
its effective alternate plans compared to its most competitive baseline method.
- Abstract（参考訳）: タスク・アンド・モーション・プランニング(TAMP)は、ロボットの行動の幾何学的実現可能性を説明するメートル法運動計画とシンボリック・推論の統合を必要とする。
この階層構造は必然的に象徴的なプランナーが環境の低レベルの幾何学的記述にアクセスすることを防ぎ、問題の解決に不可欠である。
ほとんどのtampアプローチは、シンボリックレベルで環境に関する知識が欠けている場合、実現可能なソリューションを提供しない。
代替のハイレベルなプランを考案できないことは、既存のプランナーを行き詰まりに導く。
本稿では,計画骨格と行動パラメータに対する決定空間の拡張に関する新たな意思決定手法を提案する。
我々は,骨格計画立案者が様々な候補骨格計画を生成する明示的な骨格空間を構築するためのトップk計画を統合する。
さらに、このスケルトン空間と結果の運動パラメータ空間を1つの拡張決定空間に効果的に結合する。
そこで我々はモンテカルロ木探索 (mcts) を用いて各決定ノードの探索・探索バランスを確保し, 最小コストのソリューションをグローバルに最適化する。
シンボリックトップk計画とストリームのシームレスな組み合わせは、mctsの最適性が証明され、長いホリゾン操作タスクの組合せ複雑性を処理できる強力な計画アルゴリズムへと導かれる。
複数段階の意思決定を必要とする異なる領域の操作タスクに挑戦するアルゴリズムを実証的に評価し、最も競争の激しいベースライン手法と比較して、効果的な代替計画によってデッドエンドを克服する方法を示します。
関連論文リスト
- A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - Optimal Integrated Task and Path Planning and Its Application to
Multi-Robot Pickup and Delivery [10.530860023128406]
本稿では,最適なタスクプランナと最適なパスプランナを組み合わせた,汎用的なマルチロボット計画機構を提案する。
統合プランナーは、タスクプランナーとパスプランナーの相互作用を通じて、ロボットに対して最適な衝突のない軌道を生成する。
論文 参考訳（メタデータ） (2024-03-02T17:48:40Z) - Unified Task and Motion Planning using Object-centric Abstractions of
Motion Constraints [56.283944756315066]
本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。
我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
論文 参考訳（メタデータ） (2023-12-29T14:00:20Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - Lifted Sequential Planning with Lazy Constraint Generation Solvers [28.405198103927955]
本稿では,Lzy Clause Generation(LCG)に基づく制約プログラミング(CP)へのアプローチを用いて,オープンな可能性について検討する。
本稿では,いわゆるリフト型因果エンコーディングに基づく新しいCPモデルを提案する。
提案手法は,計画手順の少ない計画インスタンスに対して,最適な逐次計画における最先端の手法と非常によく比較可能であることを報告する。
論文 参考訳（メタデータ） (2023-07-17T04:54:58Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳（メタデータ） (2023-05-26T05:52:27Z) - Gradient-Based Mixed Planning with Discrete and Continuous Actions [34.885999774739055]
本稿では,連続パラメータと候補計画の動作を同時に最適化する二次的枠組みを提案する。
フレームワークはモジュールと組み合わせて、緩和に基づいて初期状態から目標へ移行する最適な計画候補を推定する。
論文 参考訳（メタデータ） (2021-10-19T14:21:19Z) - Jump Operator Planning: Goal-Conditioned Policy Ensembles and Zero-Shot
Transfer [71.44215606325005]
本稿では,シーケンシャルなサブゴールタスクの超指数空間における解を高速に計算するための,Jump-Operator Dynamic Programmingという新しいフレームワークを提案する。
このアプローチでは、時間的に拡張された行動として機能する、再利用可能な目標条件付き警察のアンサンブルを制御する。
すると、この部分空間上の目的関数のクラスを、解がグラウンド化に不変であるものとして特定し、最適ゼロショット移動をもたらす。
論文 参考訳（メタデータ） (2020-07-06T05:13:20Z) - Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。
本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。
計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文 参考訳（メタデータ） (2020-04-23T18:08:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。