[论文解读] Optimized Execution of PDDL Plans using Behavior Trees

Francisco Martí­n, Matteo Morelli+3 more|arXiv (Cornell University)|Jan 6, 2021

AI-based Problem Solving and Planning被引用 5

一句话总结

该论文提出了一种新颖的算法，可系统性地将PDDL计划转换为优化的Behavior Tree，从而在保持因果依赖关系的同时实现动作的并行执行。通过引入单例动作节点和等待节点，该方法最大化了并发性，在多机器人场景下相比串行执行显著减少了计划执行时间，单机器人设置下最高可减少24.32%的空闲时间，并在所有机器人数量下均表现出更优性能。

ABSTRACT

Robots need task planning to sequence and execute actions toward achieving their goals. On the other hand, Behavior Trees provide a mathematical model for specifying plan execution in an intrinsically composable, reactive, and robust way. PDDL (Planning Domain Definition Language) has become the standard description language for most planners. In this paper, we present a novel algorithm to systematically create behavior trees from PDDL plans to execute them. This approach uses the execution graph of the plan to generate a behavior tree. The most remarkable contribution of this approach is the algorithm to build a Behavior Tree that optimizes its execution by paralyzing actions, applicable to any plan, taking into account the actions' causal relationships. We demonstrate the improvement in the execution of plans in mobile robots using the ROS2 Planning System framework.

研究动机与目标

• 为解决现实机器人应用中因严格调度导致的动作利用率低下问题，提升计划串行执行的效率。
• 通过将PDDL符号化AI规划与机器人中反应式、并发执行机制相连接，实现PDDL计划到可执行Behavior Tree的系统性转换。
• 开发一种通用算法，自动从PDDL计划生成优化的Behavior Tree，支持并行执行与因果一致性。
• 通过支持动作的并行执行并尊重前置条件与因果关系，提升多机器人系统中的执行效率。
• 将该解决方案集成至ROS2规划系统（PlanSys2）中，以实现真实环境下的部署与评估。

提出的方法

• 从PDDL计划构建规划图，以建模动作依赖关系与因果联系。
• 采用递归树构建方法，从规划图生成Behavior Tree，编码动作及其依赖关系。
• 引入一种新型节点——“等待节点”（wait node），在所有依赖的并行动作完成前阻塞执行。
• 实现“单例动作节点”（singleton action nodes），允许多个分支触发同一动作而无需重复。
• 应用系统化的转换流程，在保持因果顺序的同时最大化动作间的并行性。
• 将生成的Behavior Tree与PlanSys2执行器集成，实现在多机器人环境中实时、反应式的执行。

实验结果

研究问题

• RQ1 如何系统性地将PDDL计划转换为支持最优并行执行的Behavior Tree，同时遵守因果约束？
• RQ2 需要何种机制才能在Behavior Tree中实现动作的并发执行，而不会违反前置条件或因果依赖？
• RQ3 与串行计划执行相比，所提出的算法在多大程度上减少了空闲时间并提升了执行效率？
• RQ4 该算法能否泛化应用于任意复杂度或结构的PDDL计划？
• RQ5 在多机器人场景中，基于Behavior Tree的执行器与标准计划执行策略相比性能如何？

主要发现

• 所提出的算法将单机器人执行中的空闲时间减少至约24.32%，相比串行执行显著提升了资源利用率。
• 基于Behavior Tree的执行器在所有机器人配置下均实现了最短的执行时间，优于串行和基于计划的执行策略。
• 在三台机器人场景下，与串行执行相比，Behavior Tree方法将总计划执行时间最多减少了30%，展现出良好的可扩展性。
• 系统在支持并行执行的同时保持了因果一致性，确保即使动作提前完成，系统仍能保持正确性。
• 与PlanSys2的集成实现了实时、多机器人协作，已在真实竞赛环境（SciRoc）中验证，证实了其实际可行性。