論文の概要: STAMP: Differentiable Task and Motion Planning via Stein Variational
Gradient Descent
- arxiv url: http://arxiv.org/abs/2310.01775v1
- Date: Tue, 3 Oct 2023 03:53:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 17:47:54.092571
- Title: STAMP: Differentiable Task and Motion Planning via Stein Variational
Gradient Descent
- Title(参考訳): stamp:stein変分勾配降下による微分可能タスクと動作計画
- Authors: Yewon Lee (1), Philip Huang (2), Krishna Murthy Jatavallabhula (3),
Andrew Z. Li (1), Fabian Damken (1 and 4), Eric Heiden (5), Kevin Smith (3),
Derek Nowrouzezahrai (6), Fabio Ramos (5 and 7), Florian Shkurti (1) ((1)
University of Toronto, (2) Carnegie Mellon University, (3) Massachusetts
Institute of Technology, (4) Technische Universitat Darmstadt, (5) NVIDIA,
(6) McGill University, (7) University of Sydney)
- Abstract要約: 道具の使用や部品の組み立てなど、多くの操作タスクの計画には、記号的および幾何学的推論が必要であることが多い。
タスク・アンド・モーション・プランニング(TAMP)アルゴリズムは通常、高レベルのタスク・シーケンスを木探索することでこれらの問題を解決する。
本稿では,並列化と微分可能シミュレーションを利用して,多種多様な計画の効率的な探索を行う,Stin Task and Motion Planning (STAMP) という新しいアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.25668095234757676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planning for many manipulation tasks, such as using tools or assembling
parts, often requires both symbolic and geometric reasoning. Task and Motion
Planning (TAMP) algorithms typically solve these problems by conducting a tree
search over high-level task sequences while checking for kinematic and dynamic
feasibility. While performant, most existing algorithms are highly inefficient
as their time complexity grows exponentially with the number of possible
actions and objects. Additionally, they only find a single solution to problems
in which many feasible plans may exist. To address these limitations, we
propose a novel algorithm called Stein Task and Motion Planning (STAMP) that
leverages parallelization and differentiable simulation to efficiently search
for multiple diverse plans. STAMP relaxes discrete-and-continuous TAMP problems
into continuous optimization problems that can be solved using variational
inference. Our algorithm builds upon Stein Variational Gradient Descent, a
gradient-based variational inference algorithm, and parallelized differentiable
physics simulators on the GPU to efficiently obtain gradients for inference.
Further, we employ imitation learning to introduce action abstractions that
reduce the inference problem to lower dimensions. We demonstrate our method on
two TAMP problems and empirically show that STAMP is able to: 1) produce
multiple diverse plans in parallel; and 2) search for plans more efficiently
compared to existing TAMP baselines.
- Abstract(参考訳): ツールの使用や部品の組み立てなど、多くの操作タスクの計画には、しばしば象徴的および幾何学的推論が必要である。
タスク・アンド・モーション・プランニング (tamp) アルゴリズムは通常、高レベルなタスクシーケンス上で木探索を行い、キネマティックかつダイナミックな実行可能性をチェックすることでこれらの問題を解決する。
パフォーマンスは高いが、既存のアルゴリズムの多くは、時間複雑性が可能なアクションやオブジェクトの数で指数関数的に増加するため、非常に非効率である。
さらに、実現可能な多くの計画が存在するかもしれない問題に対する単一の解決策しか見つからない。
これらの制約に対処するために,並列化と微分可能シミュレーションを利用したstein task and motion planning (stamp) と呼ばれる新しいアルゴリズムを提案する。
STAMPは離散的かつ連続的なTAMP問題を、変分推論を用いて解決できる連続最適化問題に緩和する。
このアルゴリズムは、勾配に基づく変分推論アルゴリズムであるStein Variational Gradient Descentと、GPU上の並列化微分可能な物理シミュレータに基づいて、推論の勾配を効率的に取得する。
さらに, 模倣学習を用いて, 推論問題を少ない次元に還元する動作抽象化を導入する。
2つのTAMP問題に対して本手法を実証し,STAMPが可能であることを示す。
1) 複数の多様な計画が並行して作成され
2)既存のTAMPベースラインよりも効率的に計画の探索を行う。
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) - Parametric-Task MAP-Elites [3.499042782396682]
Parametric-Task MAP-Elites (PT-ME) は連続マルチタスク最適化問題に対する新しいブラックボックスアルゴリズムである。
PT-ME は2つのパラメトリックタスクの玩具問題に対する深層強化学習アルゴリズム PPO やシミュレーションにおけるロボット問題など,すべてのベースラインより優れていることを示す。
論文 参考訳(メタデータ) (2024-02-02T10:04:29Z) - Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。
凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。
切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
論文 参考訳(メタデータ) (2023-03-28T01:30:40Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳(メタデータ) (2022-09-15T07:22:58Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳(メタデータ) (2022-07-04T13:52:10Z) - Tensor Train for Global Optimization Problems in Robotics [6.702251803443858]
多くの数値最適化手法の収束は、解法に与えられる初期推定に大きく依存する。
本稿では,グローバルオプティマ付近で既存の最適化解法を初期化するための手法を用いた新しい手法を提案する。
提案手法は,グローバル・オプティマに近づいたサンプルを複数モードで生成できることを示す。
論文 参考訳(メタデータ) (2022-06-10T13:18:26Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳(メタデータ) (2021-11-25T19:59:33Z) - 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) - Bypassing or flying above the obstacles? A novel multi-objective UAV
path planning problem [0.0]
本研究では,衝突のない離散型ドローン経路計画問題に対する新しい整数プログラミングモデルを提案する。
本研究は, 障害物をバイパスしたり, 上空を飛んだりする可能性を考慮して, 経路長, エネルギー消費, 最大経路リスクを同時に最小化することを目的とする。
論文 参考訳(メタデータ) (2020-04-12T13:42:05Z) - CNN Encoder to Reduce the Dimensionality of Data Image for Motion
Planning [1.244705780038575]
動作計画問題に対して無駄な経路を除去できるCNNエンコーダを提案する。
評価されたすべてのシナリオにおいて、我々のソリューションはイテレーションの数を60%以上削減しました。
論文 参考訳(メタデータ) (2020-04-10T15:44:52Z)
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。