Feb, 2021

学习任务和动作规划的符号运算符

PDF
TL;DR研究了 TAMP 中的运算符学习问题，提出了一种自下而上的关系学习方法来学习运算符，并将其应用于机器人规划中。实验结果表明，该方法在三个领域中的性能明显优于几个基线，包括最近文献中基于图神经网络的三种无模型方法。
robotic planningintegrated task and motion plannersoperator learningsymbolic operatorsrelational learning
发现论文，激发创造
  • 学习神经符号技能以进行双层规划

    本研究中，通过将符号操作和神经采样器与参数化策略相结合，将它们打包成模块化的神经符号技能，并将其顺序化组合为搜索 - 采样二层任务和动作规划来解决新任务。在四个机器人领域的实验中，展示了具有神经符号技能的二层规划策略能够解决各种具有不同初始状态、目标和对象的任务，优于六个基线和消融。

    Jun, 2022

  • 基于优化的任务和动作规划综述：从经典到学习方法

    任务和运动规划（TAMP）综述了基于优化的 TAMP 的规划领域表示、解决方法以及逻辑规划和模型优化之间的相互作用等内容，并强调高效解决 TAMP 的算法结构，包括分层和分布式方法，并突出了经典方法与当代大语言模型等学习创新之间的协同性，并讨论了 TAMP 的未来研究方向和应用挑战。

    Apr, 2024

  • 几何任务与运动规划的表示、学习和规划算法

    该论文介绍了一种用于引导几何任务和运动计划（GTAMP）的学习框架，它通过引入新颖的 planner 来扩展启发式搜索与随机采样和启发式函数相结合，以解决 GTAMP 问题中的困难，并提出了两种学习算法以提高其效率。该框架在挑战性的 GTAMP 问题中进行了评估，显示它能够提高计划的效率和数据效率。

    Mar, 2022

  • 集成任务和动作规划

    本文介绍了一类机器人任务运动规划问题，并概述了解决它们的算法，着重介绍了解决连续空间子问题的策略和整合搜索过程中离散与连续部分的技术。

    Oct, 2020

  • 使用物体为中心的动作约束的统一任务和运动规划

    任务和动作规划方法中的抽象描述模糊和欠定性使得很难确定成功执行任务所需的物理约束。我们提出了一种替代的任务和动作规划方法，将任务和动作规划融合为一个启发式搜索，并基于基于物体的抽象的运动约束，从而利用现成的人工智能启发式搜索的计算效率，产生具有物理可行性的计划，无需进行密集的子符号几何推理。

    Dec, 2023

  • 任务与动作规划的具身终身学习

    提出了一个新颖的机器人终身学习问题模型，通过对任务和运动规划（TAMP）的学习利用模块化的方法设计生成混合模型，并根据辅助任务确定在线上使用共享或非共享模型，解决了数据如何在任务模型之间共享的问题。该方法在 2D 领域的模拟和 BEHAVIOR 基准测试中的实验中均实现了显著的规划成功率提升。

    Jul, 2023

  • 发现用于通用任务和动作规划的状态和动作抽象

    本文提出一种算法，用于通过学习特征、抽象和广义计划来解决连续机器人任务和运动规划中的困难问题。研究表明，仅使用少量示例学习的简单广义计划可以用于优化 TAMP 求解器的搜索效率。

    Sep, 2021

  • 带有不确定性和风险意识的部分可观测任务与动作规划

    这篇研究论文提出了一种具有不确定性和风险意识的综合任务与动作规划（TAMPURA）策略，能够高效解决具有初始状态和动作结果不确定性的长时程规划问题，通过在抽象任务层和连续控制器层面上进行不确定性推理，该方法在面临不确定性的机器人问题上表现出色。

    Mar, 2024

  • 动态环境下人机多智能体系统的最佳任务与动作规划及执行

    本文提出了一种联合任务和运动规划方法来优化任务的排序、分配和执行，解决多智能体系统中的时空变异性问题，采用时间轴规划处理任务的时间约束、时间变化和协同分配，在网络平面规划中以环境变化为前提，证明了该方法的有效性。

    Mar, 2023

  • 指导技能学习和抽象以实现长远操纵

    LEAGUE 是一种集成任务计划和技能学习框架，利用任务计划器的符号界面指导基于深度强化学习的技能学习，同时创建抽象状态空间以实现技能重用，并可以在任务计划系统内学习操作技能，不断提高其能力并解决更多任务。

    Oct, 2022