[論文レビュー] Combined Task and Motion Planning as Classical AI Planning

Jonathan Ferrer‐Mestres, Guillem Francès+1 more|arXiv (Cornell University)|Jun 21, 2017

AI-based Problem Solving and Planning参考文献 26被引用数 20

ひとこと要約

本稿では、関数と状態制約を備えた表現力豊かな計画言語を用いて、結合されたタスクとモーションプランニング（CTMP）問題を古典的AI計画問題にコンパイルする手法を提案する。幅に基づく探索と事前処理を活用し、効率的な設定照合を実現することで、最大40個のオブジェクトを含む複雑な3次元操作タスクについて、整合的かつ確率的完全性を満たす計画が得られ、ごみの多さに応じて効果的にスケーリング可能である。

ABSTRACT

Planning in robotics is often split into task and motion planning. The high-level, symbolic task planner decides what needs to be done, while the motion planner checks feasibility and fills up geometric detail. It is known however that such a decomposition is not effective in general as the symbolic and geometrical components are not independent. In this work, we show that it is possible to compile task and motion planning problems into classical AI planning problems; i.e., planning problems over finite and discrete state spaces with a known initial state, deterministic actions, and goal states to be reached. The compilation is sound, meaning that classical plans are valid robot plans, and probabilistically complete, meaning that valid robot plans are classical plans when a sufficient number of configurations is sampled. In this approach, motion planners and collision checkers are used for the compilation, but not at planning time. The key elements that make the approach effective are 1) expressive classical AI planning languages for representing the compiled problems in compact form, that unlike PDDL make use of functions and state constraints, and 2) general width-based search algorithms capable of finding plans over huge combinatorial spaces using weak heuristics only. Empirical results are presented for a PR2 robot manipulating tens of objects, for which long plans are required.

研究の動機と目的

• 分離されたタスクとモーションプランニングの限界を解消し、過剰なバックトラッキングや非効率を回避すること。
• 連続的なモーション問題を離散的・有限状態の計画問題に変換することで、現代の古典的AIプランナをCTMPに活用可能にする。
• 関数や状態制約といった表現力豊かな計画構成要素を用いて、CTMP問題をコンactかつ効率的にエンコードすること。
• 高価なヒューリスティクスに依存せずに、表現力豊かな言語と効果的に連携できるスケーラブルな計画アルゴリズムを設計すること。
• 数十個のオブジェクトを含む大規模な操作タスクにおいて、本手法の実現可能性と有効性を実証すること。

提案手法

• ロボットの設定空間をサンプリングによって離散化することで、CTMP問題を古典的計画問題にコンパイルする。運動計画と衝突検査は事前処理時のみに使用する。
• 目的の計画言語としてFunctional STRIPSを採用し、PDDLに関数と状態制約を拡張することで、空間的重複回避と設定更新をコンactにエンコードする。
• 物理的妥当性を保証するための状態制約を導入し、すべての到達可能な状態でオブジェクトの重複を防ぐ。
• ロボットのベースおよびアームの設定グラフを事前処理し、手順呼び出しのための照合テーブルを事前に計算することで、探索中の計画実行を効率化する。
• Best-First Width Search（BFWS）を拡張し、Functional STRIPSと状態制約を扱えるようにする。コストの高いヒューリスティクス推定器の代わりに、新規性に基づく探索と軽量なゴール指向ヒューリスティクスを採用する。
• ROS、Gazebo、MoveItを事前処理およびシミュレーション段階で統合するが、計画段階では使用しない。これにより、古典的プランナがロボティクスミドルウェアに依存しないようにする。

実験結果

リサーチクエスチョン

• RQ1 整合的かつ確率的完全性を満たす形で、結合タスクとモーションプランニング問題を古典的AI計画問題に効果的にコンパイルできるか？
• RQ2 関数と状態制約を備えた表現力豊かな計画言語が、複雑な3次元操作タスクのコンactかつスケーラブルなエンコードを可能にするか？
• RQ3 暗黙の制約を含む表現力豊かな計画言語に適用した場合、幅に基づく探索アルゴリズムが、従来のヒューリスティクスベースのプランナーよりも優れているか？
• RQ4 本手法のスケーラビリティは、オブジェクト数や空間的ごみの多さ（例：テーブル数）にどのように依存するか？
• RQ5 設定グラフおよび照合テーブルのための事前処理技術により、コンパイルが効率的かつオブジェクト数に依存しないものとなるか？

主な発見

• 本手法は整合的である：生成されたすべての古典的計画は、有効かつ実行可能なロボット計画に対応する。
• 本手法は確率的完全性を満たす：ロボット設定の十分なサンプリングにより、すべての有効なロボット計画に対応する古典的計画が存在する。
• 3テーブル環境において最大40個のオブジェクトを含む問題を数秒で解決し、展開されたノード数は数千程度にとどまった。
• 1つのテーブルに20個のオブジェクトを含む問題は数秒で解決されたが、衝突のない移動に必要な自由空間が限られるため、ごみの多さが増すとスケーラビリティが著しく低下した。
• 事前処理時間はオブジェクト数に比例して線形に増加した。これは、設定グラフ構築に使用されるIW(2)パスの低多項式コストのおかげである。
• 特にごみの少ない多テーブル環境では、ゴール数の増加に伴い、本手法は強くスケーラブルであることが示された。#c（ごみの多さ）が著しくない場合に顕著であった。