[论文解读] Levels of Integration between Low-Level Reasoning and Task Planning

Esra Erdem, Volkan Patoğlu+1 more|arXiv (Cornell University)|Jul 29, 2013

AI-based Problem Solving and Planning参考文献 16被引用 3

一句话总结

本文提出并评估了四种将低层次几何与时间推理整合到机器人高阶任务规划中的不同策略，采用带外部谓词的答案集编程。主要发现是，交错的、按需整合（Int）方法在性能和可行性方面表现最佳，而当完全整合不可行时，重规划（Repl）则提供了更强的鲁棒性。

ABSTRACT

We provide a systematic analysis of levels of integration between discrete high-level reasoning and continuous low-level reasoning to address hybrid planning problems in robotics. We identify four distinct strategies for such an integration: (i) low-level checks are done for all possible cases in advance and then this information is used during plan generation, (ii) low-level checks are done exactly when they are needed during the search for a plan, (iii) first all plans are computed and then infeasible ones are filtered, and (iv) by means of replanning, after finding a plan, low-level checks identify whether it is infeasible or not; if it is infeasible, a new plan is computed considering the results of previous low- level checks. We perform experiments on hybrid planning problems in robotic manipulation and legged locomotion domains considering these four methods of integration, as well as some of their combinations. We analyze the usefulness of levels of integration in these domains, both from the point of view of computational efficiency (in time and space) and from the point of view of plan quality relative to its feasibility. We discuss advantages and disadvantages of each strategy in the light of experimental results and provide some guidelines on choosing proper strategies for a given domain.

研究动机与目标

• 系统分析混合机器人规划问题中离散高阶推理与连续低阶推理之间的整合层级。
• 评估不同整合策略在计算效率（时间与内存）与计划质量（可行性）之间的权衡。
• 根据领域特性与计算约束，为选择合适的整合策略提供实用指导。
• 评估预计算、按需检查、过滤与重规划对机器人操作与足式移动领域性能的影响。

提出的方法

• 使用带 dlvhex 求解器的答案集编程（ASP）表示任务规划问题，并通过外部谓词实现低阶可行性检查。
• 采用四种整合策略：(i) 在规划前预计算所有低阶检查，(ii) 在搜索过程中按需进行低阶检查，(iii) 先生成计划，再过滤不可行计划，(iv) 检测到不可行后进行重规划。
• 通过组合策略构建混合方法，例如对部分检查使用预计算，对其他检查使用按需方式，以探索中间整合层级。
• 实现专用预计算工具以减少开销并提高效率，尤其在低阶检查输入空间较大的领域中。
• 通过运行时间、内存使用量、生成的可行与不可行解数量以及解枚举效率来衡量性能。
• 以机器人操作与足式移动为测试领域，评估策略在真实约束与复杂可行性检查下的表现。

实验结果

研究问题

• RQ1 高阶任务规划与低阶几何推理之间的不同整合层级如何影响计算效率与计划可行性？
• RQ2 在混合规划中，预计算、按需检查、过滤与重规划策略之间的性能权衡是什么？
• RQ3 在哪些领域或条件下，预计算比按需整合更有效，反之亦然？
• RQ4 整合层级如何影响找到可行解之前生成的不可行解数量？
• RQ5 结合多种整合层级的混合策略是否能比单一策略方法更有效地提升鲁棒性与效率？

主要发现

• 交错的、按需整合（Int）在运行时间性能上表现最佳，且生成的不可行解最少，在机器人操作领域中生成了621个可行计划，仅38个不可行候选。
• 在使用高效预计算工具时，预计算（Pre）在机器人操作领域优于其他方法，将总计算时间从原始的1361秒减少至238秒。
• 过滤（Filt）表现最差，在机器人操作领域生成了11,787个解候选，仅622个可行，表明搜索引导效果差。
• 重规划（Repl）比Filt更具鲁棒性，在足式移动领域中成功解决了全部20个实例，而Filt仅解决了其中15个。
• 在足式移动领域，Repl生成了250个不可行候选，对应68个可行解，表明由于平衡检查的输入空间庞大，不可行率更高。
• 将Pre与其他策略结合可提高效率，尤其在高维输入领域中表现更优；但若低阶检查过于昂贵，预计算将不可行。