[논문 리뷰] PDDLStream: Integrating Symbolic Planners and Blackbox Samplers via Optimistic Adaptive Planning

Caelan Reed Garrett, Tomás Lozano‐Pérez외 1명|arXiv (Cornell University)|2018. 02. 23.

AI-based Problem Solving and Planning인용 수 26

한 줄 요약

PDDLStream는 연속적이고 고차원적인 계획 문제를 위한 기호적 PDDL 계획기와 블랙박스 샘플링 절차를 통합하는 프레임워크를 제안한다. 스트림을 사용해 샘플링 절차를 선언적으로 명시하고, 탐색과 이용의 균형을 이루는 적응형 알고리즘을 통해 복잡한 로봇 작업 및 운동 계획 문제를 효율적으로 해결하며, 제약 조건이 엄격하거나 비용 민감한 과제에서 이전 방법들을 능가한다.

ABSTRACT

Many planning applications involve complex relationships defined on high-dimensional, continuous variables. For example, robotic manipulation requires planning with kinematic, collision, visibility, and motion constraints involving robot configurations, object poses, and robot trajectories. These constraints typically require specialized procedures to sample satisfying values. We extend PDDL to support a generic, declarative specification for these procedures that treats their implementation as black boxes. We provide domain-independent algorithms that reduce PDDLStream problems to a sequence of finite PDDL problems. We also introduce an algorithm that dynamically balances exploring new candidate plans and exploiting existing ones. This enables the algorithm to greedily search the space of parameter bindings to more quickly solve tightly-constrained problems as well as locally optimize to produce low-cost solutions. We evaluate our algorithms on three simulated robotic planning domains as well as several real-world robotic tasks.

연구 동기 및 목표

• 로봇 조작에서 운동학, 충돌, 시야 등 복잡한 제약 조건이 존재하는 연속적이고 고차원적인 공간에서의 계획 과제를 해결한다.
• 기존의 PDDL 확장 기법들이 이산화 또는 유한한 동작 공간을 요구함으로써 실제 로봇 도메인에 적용 가능성이 제한되는 한계를 극복한다.
• 연속적 동작 매개변수를 선언적 스트림을 통해 도메인에 종속되지 않고 모듈러하게 기술할 수 있도록 한다. 이 스트림은 블랙박스 샘플링 절차를 봉인한다.
• 탐색(새로운 계획 탐색)과 이용(기존 계획의 매개변수 바인딩 샘플링)을 동적으로 균형 잡는 알고리즘을 개발하여 효율성과 해의 품질을 향상시킨다.
• 모의 환경과 실제 로봇 계획 과제, 특히 조작 및 주방 작업에서 프레임워크의 효과성을 입증한다.

제안 방법

• PDDL에 스트림을 확장한다. 스트림은 조건부 생성기로서 입력에 따라 값의 시퀀스를 생성하며, 이 값들이 만족해야 할 제약 조건을 선언적으로 기술한다.
• 연속적 동작 매개변수(예: 로봇 구성, 궤적)를 스트림의 출력으로 모델링하고, 그 실행 구현을 블랙박스로 간주한다.
• Incremental, Focused, Binding 및 새로운 Adaptive 알고리즘을 사용해 PDDLStream 문제를 유한한 PDDL 문제의 시퀀스로 환원한다.
• Adaptive 알고리즘을 구현하여 새로운 낙관적 계획 탐색(탐색)과 기존 계획에 대한 매개변수 바인딩 샘플링(이용) 간의 균형을 맞춘다.
• 고정된 객체를 자유 매개변수로 재바인딩하는 낙관적 계획 전략을 사용하여 연속 값의 더 풍부한 조합을 탐색한다.
• 기타 PDDL 계획기(FastDownward 등)를 서브루틴으로 통합하고, PyBullet를 사용해 로봇 시뮬레이션 및 실제 실행에서 스트림 평가를 수행한다.

실험 결과

연구 질문

• RQ1 기호적 PDDL 계획기와 블랙박스 샘플링 절차를 어떻게 효과적으로 융합하여 연속적이고 고차원적인 계획 도메인에서 사용할 수 있는가?
• RQ2 탐색과 이용의 적응형 균형 조절이 엄격한 제약 조건이나 비용 민감도가 높은 문제에서 계획 효율성을 얼마나 향상시킬 수 있는가?
• RQ3 도메인에 종속되지 않고 선언적인 프레임워크는 연속 변수의 사전 이산화 없이도 복잡한 로봇 조작 과제를 지원할 수 있는가?
• RQ4 제약 조건이 있는 계획 문제에서 제안된 Adaptive 알고리즘의 성능은 기존 알고리즘 대비 성공률, 해 비용, 실행 시간 측면에서 어떻게 비교되는가?
• RQ5 PDDLStream는 다양한 동작과 복잡한 제약 조건을 가진 실제 로봇 작업 및 운동 계획을 가능하게 할 수 있는가?

주요 결과

• Domain 1에서 제약 조건이 있는 문제에 대해 Adaptive 알고리즘이 Incremental, Focused, Binding 알고리즘보다 뚜렷이 뛰어나며, 블록 수가 3에서 5로 증가함에 따라 성공률이 높아진다.
• Domain 2에서는 Adaptive 알고리즘이 Focused 및 Binding보다 더 빨리 저비용 해에 수렴하며, 평균 계획 비용이 시간이 지남에 따라 더 빠르게 감소하고, 0.5 표준편차 신뢰구간이 일관된 성능을 보여준다.
• Domain 3는 기하학적 제약 조건이 덜 엄격한 문제이므로, Focused, Binding, Adaptive 알고리즘이 유사하게 성능을 보이며 Incremental보다 뛰어나다. Adaptive는 추가적인 스트림 바인딩 계산으로 인해 런타임이 약간 증가할 뿐이다.
• 실제 로봇 과제(식사 제공, 요리, 조작 등)에서 PDDLStream는 PR2 로봇을 사용해 충돌 없이 실행 가능한 계획을 성공적으로 생성했으며, 성공적인 실행을 보여주는 영상이 제시되었다.
• 프레임워크는 연속 매개변수를 스트림을 통해 탐색 가능하게 하여 무한한 수의 동작 인스턴스를 가진 도메인에서도 효율적인 계획을 가능하게 하며, 사람에 의한 자세나 구성의 사전 이산화가 필요 없도록 한다.