[论文解读] 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 20

一句话总结

本文提出一种方法，通过使用支持函数和状态约束的表达性规划语言，将联合任务与运动规划（CTMP）问题编译为经典AI规划问题。通过利用基于宽度的搜索和预处理以实现高效的配置查找，该方法在最多40个物体的复杂3D操作任务中实现了可靠且概率完备的规划，且在杂乱程度增加时仍能有效扩展。

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.

研究动机与目标

• 解决解耦任务与运动规划的局限性，后者常导致过度回溯和低效。
• 通过将连续运动问题编译为离散、有限状态的规划问题，使现代经典AI规划器能够应用于CTMP。
• 利用函数和状态约束等表达性规划构造，开发CTMP问题的紧凑高效编码。
• 设计一种可扩展的规划算法，可在不依赖昂贵启发式方法的前提下，有效处理表达性语言。
• 在涉及数十个物体的大规模操作问题上，展示该方法的可行性和有效性。

提出的方法

• 通过采样离散化机器人构型空间，仅在预处理阶段使用运动规划器和碰撞检测器，将CTMP问题编译为经典规划问题。
• 使用Functional STRIPS作为目标规划语言，通过扩展PDDL支持函数和状态约束，以紧凑方式编码空间不重叠和构型更新。
• 引入状态约束以强制执行物理可行性，例如在所有可达状态下防止物体重叠。
• 预处理机器人基座和机械臂构型图，并预计算查找表以支持过程调用，从而在搜索过程中实现高效的计划执行。
• 将最佳优先宽度搜索（BFWS）适配为支持Functional STRIPS与状态约束，采用基于新颖性的探索策略，并使用轻量级目标导向启发式方法，而非昂贵的启发式估计器。
• 在预处理和仿真阶段集成ROS、Gazebo和MoveIt，但不在规划阶段使用，以确保经典规划器与机器人中间件无关。

实验结果

研究问题

• RQ1 联合任务与运动规划问题能否被有效编译为经典AI规划问题，同时保证可靠性和概率完备性？
• RQ2 支持函数和状态约束的表达性规划语言能否实现复杂3D操作任务的紧凑且可扩展编码？
• RQ3 基于宽度的搜索算法在应用于具有隐式约束的表达性规划语言时，能否优于传统基于启发式的规划器？
• RQ4 该方法的可扩展性如何依赖于物体数量和空间杂乱程度（例如桌子数量）？
• RQ5 针对构型图和查找表的预处理技术能否使编译过程高效且与物体数量无关？

主要发现

• 该方法具有可靠性：所有生成的经典规划均对应于有效且可执行的机器人规划。
• 该方法具有概率完备性：在足够采样机器人构型的前提下，所有有效机器人规划均有对应的经典规划。
• 该规划器在三张桌子环境中解决了最多含40个物体的问题，仅用数秒时间，扩展节点数仅数千个。
• 在单张桌子环境中，20个物体的问题在数秒内解决，但当杂乱程度增加导致无碰撞运动空间受限时，可扩展性显著下降。
• 预处理时间随物体数量线性增长，得益于配置图构建中IW(2)遍历的低多项式时间成本。
• 当杂乱程度较低时，该方法在目标数量增加时表现出强大的可扩展性，尤其在多张桌子环境中，当#c（杂乱程度）不构成障碍时尤为明显。