Fugu-MT 論文翻訳(概要): Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning

論文の概要: Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning

arxiv url: http://arxiv.org/abs/2211.01576v1
Date: Thu, 3 Nov 2022 04:12:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 12:50:54.890679
Title: Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning
Title（参考訳）: 効率的なタスクと運動計画のためのシーケンスベース計画実現可能性予測
Authors: Zhutian Yang, Caelan Reed Garrett, Dieter Fox
Abstract要約: 具体的かつ可動的な障害を含むタスクでは、タスク・アンド・モーション・プランニング(TAMP)アルゴリズムが実行時の大半を、解決不可能な制約満足度問題の解決に費やしている。我々は、初期状態、目標、および候補計画に基づいて計画の実現可能性を予測する新しいトランスフォーマーベースのアーキテクチャ、PIGINetを開発した。 PIGINetは計画の効率を大幅に改善し, 障害物のあるピック・アンド・プレイスの問題を平均80%削減する。
参考スコア（独自算出の注目度）: 44.56909875875932
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robots planning long-horizon behavior in complex environments must be able to quickly reason about the impact of the environment's geometry on what plans are feasible, i.e., whether there exist action parameter values that satisfy all constraints on a candidate plan. In tasks involving articulated and movable obstacles, typical Task and Motion Planning (TAMP) algorithms spend most of their runtime attempting to solve unsolvable constraint satisfaction problems imposed by infeasible plan skeletons. We developed a novel Transformer-based architecture, PIGINet, that predicts plan feasibility based on the initial state, goal, and candidate plans, fusing image and text embeddings with state features. The model sorts the plan skeletons produced by a TAMP planner according to the predicted satisfiability likelihoods. We evaluate the runtime of our learning-enabled TAMP algorithm on several distributions of kitchen rearrangement problems, comparing its performance to that of non-learning baselines and algorithm ablations. Our experiments show that PIGINet substantially improves planning efficiency, cutting down runtime by 80% on average on pick-and-place problems with articulated obstacles. It also achieves zero-shot generalization to problems with unseen object categories thanks to its visual encoding of objects.
Abstract（参考訳）: 複雑な環境での長い水平動作を計画するロボットは、環境の幾何学がどの計画が実現可能か、すなわち、候補計画の全ての制約を満たすアクションパラメータ値が存在するかどうかを素早く判断できなければならない。具体的かつ可動的な障害を含むタスクでは、典型的なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムが実行時の大半を、実現不可能な計画スケルトンによって課される解決不可能な制約満足問題の解決に費やしている。我々は、初期状態、目標、および候補計画に基づいて計画実現可能性を予測する新しいトランスフォーマーベースのアーキテクチャPIGINetを開発し、画像とテキストの埋め込みを状態特徴と融合させた。このモデルは、予測された満足度に応じて、TAMPプランナーが生成するプランの骨格をソートする。学習可能なtampアルゴリズムのランタイムをキッチン再配置問題のいくつかの分布上で評価し,その性能を非学習ベースラインとアルゴリズムアブレーションと比較した。実験の結果,PIGINetは計画の効率を大幅に改善し,障害物のあるピック・アンド・プレイスの問題を平均80%削減した。また、オブジェクトの視覚的エンコーディングにより、見えないオブジェクトカテゴリの問題に対するゼロショットの一般化も達成している。

関連論文リスト

Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
論文参考訳（メタデータ） (2024-09-09T17:59:45Z)
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)
AutoGPT+P: Affordance-based Task Planning with Large Language Models [6.848986296339031]
AutoGPT+Pは、余裕に基づくシーン表現と計画システムを組み合わせたシステムである。提案手法は,現在最先端のLCM計画手法であるSayCanの81%の成功率を超え,98%の成功率を達成した。
論文参考訳（メタデータ） (2024-02-16T16:00:50Z)
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)
Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
論文参考訳（メタデータ） (2022-12-30T12:32:43Z)
Achieving mouse-level strategic evasion performance using real-time computational planning [59.60094442546867]
計画とは、脳が想像し、予測可能な未来を成立させる特別な能力である。我々は,動物の生態が空間計画の価値をどのように支配するかという研究に基づいて,より効率的な生物学的に着想を得た計画アルゴリズムであるTLPPOを開発した。 TLPPOを用いたリアルタイムエージェントの性能とライブマウスの性能を比較し,ロボット捕食者を避けることを課題とする。
論文参考訳（メタデータ） (2022-11-04T18:34:36Z)
Representation, learning, and planning algorithms for geometric task and motion planning [24.862289058632186]
幾何学的課題と運動計画(GTAMP)を導くための学習フレームワークを提案する。 GTAMPはタスクと動作計画のサブクラスであり、複数の物体を可動障害物内の対象領域に移動させることが目的である。 GTAMP問題には、ハイブリッド検索空間と高価なアクション実現可能性チェックが含まれるため、標準グラフ探索アルゴリズムは直接適用されない。
論文参考訳（メタデータ） (2022-03-09T09:47:01Z)
Learning Symbolic Operators for Task and Motion Planning [29.639902380586253]
統合されたタスクとモーションプランナー(TAMP)は、モーションレベルの決定とタスクレベルの計画実現性の複雑な相互作用を処理します。 TAMPアプローチは、タスクレベルの検索を導くためにドメイン固有のシンボリック演算子に依存し、計画を効率的にします。演算子学習のためのボトムアップリレーショナル学習法を提案し,TAMPシステムの計画に学習した演算子をどのように使用できるかを示す。
論文参考訳（メタデータ） (2021-02-28T19:08:56Z)
Flexible and Efficient Long-Range Planning Through Curious Exploration [13.260508939271764]
The Curious Sample Planner can realize temporallyextended plan for a wide range of really 3D task。対照的に、標準的な計画と学習の方法は、多くの場合、これらのタスクを全く解決しなかったり、膨大な数のトレーニングサンプルでのみ実行できなかったりします。
論文参考訳（メタデータ） (2020-04-22T21:47:29Z)

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。