[论文解读] Reactive Task and Motion Planning under Temporal Logic Specifications

Shen Li, Daehyung Park+3 more|arXiv (Cornell University)|Mar 26, 2021

AI-based Problem Solving and Planning参考文献 27被引用 9

一句话总结

本文提出了一种反应式任务与运动规划（TAMP）框架，通过使用线性时序逻辑（LTL）规范和行为树，使机器人能够高效地在人类干预下重新规划。通过利用基于经验的增量图搜索和可动态重构的行为树，该系统最小化了重新规划的开销，并确保了无缝执行，在仿真和真实UR5机器人实验中均实现了卓越的时间效率和运动成本效益。

ABSTRACT

We present a task-and-motion planning (TAMP) algorithm robust against a human operator's cooperative or adversarial interventions. Interventions often invalidate the current plan and require replanning on the fly. Replanning can be computationally expensive and often interrupts seamless task execution. We introduce a dynamically reconfigurable planning methodology with behavior tree-based control strategies toward reactive TAMP, which takes the advantage of previous plans and incremental graph search during temporal logic-based reactive synthesis. Our algorithm also shows efficient recovery functionalities that minimize the number of replanning steps. Finally, our algorithm produces a robust, efficient, and complete TAMP solution. Our experimental results show the algorithm results in superior manipulation performance in both simulated and real-world tasks.

研究动机与目标

• 解决人类干预导致预计算机器人规划失效时，维持任务完成的挑战。
• 通过重用先前规划经验并逐步扩展搜索空间，降低重新规划过程中的计算开销。
• 通过将可动态重构的行为树与基于LTL的规划相结合，实现在环境变化时的无缝执行。
• 在人类-机器人协作场景中实现鲁棒、高效且完整的任务与运动规划，同时最大限度减少重新规划。
• 在基于UR5平台的仿真环境和真实机器人操作任务中验证其有效性。

提出的方法

• 使用线性时序逻辑（LTL）形式化任务目标，以确保正确性设计并支持复杂的时序规范。
• 构建部分展开的产品自动机（PA），以实现高效的空状态探索，避免每次干预后都进行完整的图重建。
• 实现基于经验的A*搜索，重用先前计算的路径和运动成本，以加速环境变化下的重新规划。
• 集成具有条件子树激活机制的行为树（BT），实现在不中断执行的情况下动态更新策略。
• 根据环境观测动态重构BT节点，以最大化恢复范围并减少对完整重新规划的依赖。
• 将符号化任务规划与几何运动成本优化相结合，生成半最优且可执行的动作序列。

实验结果

研究问题

• RQ1 当人类干预改变环境（如移动或添加物体）时，机器人如何高效地重新规划其任务与运动序列？
• RQ2 在动态环境变化下，先前规划经验能在多大程度上降低重新规划的计算成本？
• RQ3 具有条件子树结构的行为树是否能有效减少任务执行过程中对完整重新规划的需求？
• RQ4 与基线方法相比，所提方法在重新规划时间、运动成本和完成效率方面表现如何？
• RQ5 该框架能否在真实世界的人机交互场景中确保任务完成和无缝执行？

主要发现

• 在物体重新定位场景中，基于经验的A*搜索将总重新规划时间减少至0.69±0.43秒，显著低于标准A*的33.50±15.26秒和Dijkstra算法的30.40±13.06秒。
• 在物体移除场景中，基于经验的方法将总重新规划时间降低至0.10±0.02秒，远低于A*的52.57±8.18秒和Dijkstra的60.53±9.16秒。
• 在物体添加场景中，基于经验的方法将总重新规划时间减少至20.61±0.86秒，而A*和Dijkstra分别达到89.60±8.73秒和116.16±16.35秒。
• 在每种环境变化类型下，系统在全部30次试验中均实现了100%的成功率，展现出卓越的鲁棒性和完备性。
• 基于经验的方法显著缩短了任务完成时间：物体重新定位为466.50±34.80秒，物体移除为394.48±13.14秒，物体添加为647.00±24.67秒，优于所有基线方法。
• 部分图构建方法在超过1,250个状态时仍能高效扩展，而完整图构建方法则呈指数级退化，证实其在大规模场景中的优越性。