[论文解读] STRIPS Planning in Infinite Domains

Caelan Reed Garrett, Tomás Lozano‐Pérez+1 more|arXiv (Cornell University)|Jan 1, 2017

AI-based Problem Solving and Planning参考文献 17被引用 8

一句话总结

本文提出 strips tream，一种领域无关的 STRIPS 语言扩展，通过集成条件流与认证流的黑箱生成器，支持无限和连续域。它提出了两种算法——增量式与聚焦式——将无限域规划问题转化为一系列有限域问题，实现在具有高维、非线性约束的复杂机器人任务中的高效规划。

ABSTRACT

Many robotic planning applications involve continuous actions with highly non-linear constraints, which cannot be modeled using modern planners that construct a propositional representation. We introduce STRIPStream: an extension of the STRIPS language which can model these domains by supporting the specification of blackbox generators to handle complex constraints. The outputs of these generators interact with actions through possibly infinite streams of objects and static predicates. We provide two algorithms which both reduce STRIPStream problems to a sequence of finite-domain planning problems. The representation and algorithms are entirely domain independent. We demonstrate our framework on simple illustrative domains, and then on a high-dimensional, continuous robotic task and motion planning domain.

研究动机与目标

• 解决具有复杂非线性约束（如运动学与碰撞规避）的连续、高维域中的规划挑战。
• 克服 PDDL 和 ASP 等现有规划器在处理非多项式约束或缺乏高效启发式方法时的局限性。
• 提供一种通用、领域无关的框架，通过流机制集成外部程序（如逆运动学、路径规划）而不修改核心规划逻辑。
• 在可行动作参数集合为高维空间中低维子集的领域中实现有效规划。
• 设计算法，通过仅选择性调用相关流来最小化昂贵的黑箱评估，提升复杂环境中的可扩展性。

提出的方法

• 扩展 STRIPS 语言以支持流：有限或无限的对象序列（如位姿、构型、轨迹），由外部程序生成。
• 引入条件流，根据其他对象的值生成对象（如根据位姿和抓取生成逆运动学解）。
• 引入认证流，生成满足任意静态谓词合取的对象（如可达性、可见性、无碰撞运动）。
• 通过两种算法将 strips tream 问题转化为一系列有限域 STRIPS 问题：增量式与聚焦式规划。
• 增量算法在流实例化后立即评估所有流；聚焦算法使用启发式方法选择性调用可能有用的流。
• 通过将无限域问题映射为一系列有限域子问题，复用现有高度优化的 STRIPS 规划器与启发式方法。

实验结果

研究问题

• RQ1 通用规划框架能否有效建模具有复杂非线性约束（如机器人运动与任务规划中的约束）的连续、无限域问题？
• RQ2 如何在不牺牲效率或表达力的前提下，将黑箱程序（如逆运动学、碰撞检测）集成到规划语言中？
• RQ3 能否设计出领域无关的规划算法，通过最小化昂贵的外部函数调用来实现高维连续域中的可扩展性？
• RQ4 聚焦式规划策略通过选择性评估流，在复杂机器人规划任务中相较于朴素的穷举评估，性能提升程度如何？
• RQ5 该框架能否处理可行解位于高维参数空间中低维流形上的问题？

主要发现

• 聚焦算法相比增量算法显著减少了流调用次数，尤其在存在干扰项的问题中表现更优，性能更佳。
• 增量算法进行了大量流调用，特别是针对昂贵操作（如逆运动学与碰撞检测），导致总运行时间显著增加。
• 聚焦算法在 120 秒超时内成功解决了全部 25 次试验，而增量算法在干扰项增多时表现吃力，尤其在问题 2-16 中表现明显下降。
• 该框架成功使用外部程序通过流机制建模了具有复杂运动学与碰撞约束的高维机器人抓取与放置任务。
• 通过使用认证流与条件流，实现了对复杂约束（如可达性、可见性、无碰撞轨迹）的紧凑且表达力强的建模。
• 该方法表明，通过将无限域问题转化为一系列可由标准 STRIPS 规划器求解的有限域问题，领域无关规划在连续域中同样有效。