[논문 리뷰] Combined Task and Motion Planning as Classical AI Planning

Jonathan Ferrer‐Mestres, Guillem Francès외 1명|arXiv (Cornell University)|2017. 06. 21.

AI-based Problem Solving and Planning참고 문헌 26인용 수 20

한 줄 요약

이 논문은 기능적 계획 언어와 상태 제약 조건을 갖춘 표현력 있는 계획 언어를 사용하여 복합 작업 및 운동 계획(CTMP) 문제를 고전적 AI 계획 문제로 컴파일하는 방법을 제안한다. 너비 기반 탐색과 효율적인 구성 설정 검색을 위한 사전처리를 활용함으로써, 최대 40개의 물체를 포함한 복잡한 3차원 조작 작업에 대해 타당성과 확률적 완전성을 확보하는 계획을 달성하며, 혼잡도 수준에 따라 효과적으로 확장 가능하다.

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.

연구 동기 및 목표

• 분리된 작업 및 운동 계획의 한계를 해결하기 위해, 이는 종종 과도한 백트래킹과 비효율을 유도한다.
• 연속적인 운동 문제를 이산적이고 유한 상태의 계획 문제로 변환함으로써, 현대적 고전적 AI 계획기 사용을 가능하게 하기 위해 CTMP 문제를 컴파일한다.
• 기능과 상태 제약 조건과 같은 표현력 있는 계획 구조를 사용하여 CTMP 문제를 간결하고 효율적으로 표현한다.
• 표현력 있는 언어에 의존하지만 비용이 많이 드는 휴리스틱에 의존하지 않는 스케일러블 계획 알고리즘을 설계한다.
• 수십 개의 물체를 포함하는 대규모 조작 문제에서 이 방법의 실현 가능성과 효율성을 입증한다.

제안 방법

• 운동 계획기와 충돌 검출기의 사용을 사전처리 기간 동안만 제한하여, 샘플링을 통한 로봇 구성 공간의 이산화를 통해 CTMP 문제를 고전적 계획 문제로 컴파일한다.
• 목표 계획 언어로 기능적 STRIPS를 사용하며, PDDL에 기능과 상태 제약 조건을 추가하여 공간 겹침과 구성 갱신을 간결하게 표현한다.
• 모든 도달 가능한 상태에서 물리적 타당성을 보장하기 위해 상태 제약 조건을 도입하여 물체 간 겹침을 방지한다.
• 로봇 기저 및 암의 구성 그래프를 사전 처리하고, 절차적 호출을 위한 사전 계산된 검색 테이블을 생성하여 탐색 중 계획 실행을 효율적으로 구현한다.
• BFWS(최적 우선 너비 탐색)를 기능적 STRIPS와 상태 제약 조건을 처리할 수 있도록 수정하며, 비용이 많이 드는 휴리스틱 추정기 대신 새로운 탐색 기반 탐색과 경량 목표 지향 휴리스틱을 사용한다.
• ROS, Gazebo, MoveIt를 사전 처리 및 시뮬레이션 기간에 통합하지만, 계획 시간에는 통합하지 않아 고전적 계획기가 로봇 중앙처리기와 독립적으로 유지되도록 한다.

실험 결과

연구 질문

• RQ1 타당성과 확률적 완전성을 확보하면서 복합 작업 및 운동 계획 문제를 고전적 AI 계획 문제로 효과적으로 컴파일할 수 있는가?
• RQ2 기능과 상태 제약 조건을 갖춘 표현력 있는 계획 언어가 복잡한 3차원 조작 작업의 간결하고 스케일러블한 표현을 가능하게 하는가?
• RQ3 암묵적 제약 조건이 있는 표현력 있는 계획 언어에 적용되었을 때, 너비 기반 탐색 알고리즘이 전통적인 휴리스틱 기반 계획기보다 우월한 성능을 보일 수 있는가?
• RQ4 이 방법의 확장성은 물체 수와 공간 혼잡도(예: 테이블 수)에 따라 어떻게 달라지는가?
• RQ5 구성 그래프 및 검색 테이블을 위한 사전 처리 기법이 컴파일 과정을 효율적으로 만들고 물체 수에 의존하지 않도록 할 수 있는가?

주요 결과

• 이 방법은 타당성을 확보한다: 생성된 모든 고전적 계획은 유효하고 실행 가능한 로봇 계획에 대응한다.
• 이 방법은 확률적 완전성을 확보한다: 충분한 수의 로봇 구성 샘플링이 이루어지면, 모든 유효한 로봇 계획에 대응하는 고전적 계획이 존재한다.
• 세 테이블 환경에서 최대 40개의 물체를 포함한 문제들을 몇 초 내에 해결하였으며, 확장된 노드 수가 수천 개에 불과했다.
• 단일 테이블에서 20개의 물체를 포함한 문제들은 몇 초 내에 해결되었지만, 충돌 방지 운동을 위한 자유 공간이 제한되어 혼잡도가 증가함에 따라 확장성이 크게 떨어졌다.
• 사전 처리 시간은 물체 수에 따라 선형적으로 증가하였으며, 구성 그래프 구축에 사용된 IW(2) 단계의 저차수 다항식 비용 덕분이었다.
• 혼잡도가 낮을 경우 목표 수에 따라 강력한 확장성을 보였으며, 특히 #c(혼잡도 수준)가 제한적이지 않은 다중 테이블 환경에서 두드러졌다.