[논문 리뷰] Extended Task and Motion Planning of Long-horizon Robot Manipulation.

Tianyu Ren, Georgia Chalvatzaki외 1명|arXiv (Cornell University)|2021. 03. 09.

Robotic Path Planning Algorithms참고 문헌 18인용 수 6

한 줄 요약

이 논문은 계획 스켈레톤과 운동 파ameters를 조합한 확장된 决책 공간에서 top-k 상징적 계획과 몬테카를로 트리 탐색(MCTS)을 통합하는 새로운 확장된 작업 및 운동 계획 프레임워크를 제안한다. 전역 최적화와 탐색-이용 균형을 가능하게 함으로써, 장수평 작업에서의 사각지대를 해결하고, 복잡한 다단계 환경에서 보다 뛰어난 강건성과 해법 품질을 달성한다.

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.

연구 동기 및 목표

• 기존 작업 및 운동 계획(TAMP) 접근법이 상징 수준에서 환경 지식의 누락을 다루는 데에 한계가 있음을 해결하기 위해.
• 불완전한 상징적 추론으로 인해 대체 고수준 계획을 생성할 수 없어 발생하는 사각지대를 극복하기 위해.
• 장수평 조작 작업에서 조합적 계획 스켈레톤과 운동 파ameters를 효과적으로 탐색하기 위해.
• 전역 최적화를 위한 통합된 확장된 결정 공간에서 상징적 계획과 메트릭 운동 계획을 통합하기 위해.
• 복잡한 다단계 조작 도메인에서 타당성과 최적성을 유지하면서도 확장 가능하고 강건한 계획 알고리즘 개발하기 위해.

제안 방법

• 해당 방법은 top-k 상징적 계획을 사용하여 다양한 후보 고수준 계획을 생성하는 명시적 스켈레톤 공간을 구성한다.
• 스켈레톤 공간을 결과로 얻은 운동 파am터 공간과 통합하여 통합된 확장된 결정 공간을 형성한다.
• 각 결정 노드에서 탐색과 이용을 균형 잡는 데 몬테카를로 트리 탐색(MCTS)을 적용한다.
• 반복적인 트리 확장과 역전파를 통해 MCTS 프레임워크는 최소비용 해법 향한 전역 최적화를 보장한다.
• 메트릭 운동 계획을 통한 기하학적 타당성 검증과 함께 상징적 추론을 원활하게 통합한다.
• 결합된 결정 공간에서 MCTS를 사용함으로써 증명 가능한 최적성 보장을 유지한다.

실험 결과

연구 질문

• RQ1 불완전한 환경 지식이 있는 장수평 조작 작업을 효과적으로 다룰 수 있는 계층적 TAMP 프레임워크는 존재하는가?
• RQ2 초기 계획이 기하학적 정보 부족으로 실패할 경우, 상징적 계획기가 대체 고수준 계획을 어떻게 개선할 수 있는가?
• RQ3 top-k 상징적 계획과 MCTS를 조합함으로써 복잡한 조작 작업에서 해법 품질과 강건성이 얼마나 향상되는가?
• RQ4 스켈레톤과 운동 파am터의 통합된 확장된 결정 공간은 기하학적 타당성을 유지하면서도 전역 최적화를 가능하게 하는가?
• RQ5 제안된 방법은 장수평 계획 중 사각지대를 피하는 데 있어 경쟁적 기준보다 어떻게 뛰어나게 되는가?

주요 결과

• 기존 TAMP 접근법이 환경 지식 누락으로 실패하는 장수평 조작 작업에서도 제안된 방법이 타당한 해법을 성공적으로 생성한다.
• top-k 상징적 계획을 활용함으로써, 다양한 후보 스켈레톤 계획을 구성하여 유망한 경로를 찾을 가능성을 높인다.
• 스켈레톤과 운동 파am터 공간을 단일 확장된 결정 공간으로 통합함으로써 더 효과적인 탐색과 전역 최적화가 가능해진다.
• 몬테카를로 트리 탐색은 탐색-이용 균형을 효과적으로 유지하여 고급 품질의 최소비용 해법을 도출한다.
• 실증 평가 결과, 효과적인 대체 계획 수단을 통해 사각지대를 극복하고, 복잡한 다단계 도메인에서 가장 경쟁력 있는 기준을 능가한다.
• 이 방법은 불확실성 하에서 타당성과 최적성을 유지하면서도 도전적인 조작 작업에서 강건성과 확장성을 입증한다.