基于搜索的混合系统任务和运动规划:敏捷自动驾驶车辆
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
本文提出了一种快速、稳健的运动规划框架,通过几种特征实现了在城市条件下实现自动驾驶,其中包括了路径规划和基于 A * 算法的最优轨迹计算,并考虑了各种不同的约束条件和时间跨度进行了验证。
Mar, 2018
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
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
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
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
本文介绍了将深度生成建模与任务规划相结合的方法,以解决在未知环境中的自主机器人操作规划中运用传统 TAMP 方法中存在的问题。通过使用扩散模型学习约束条件和采样器,并将其与 TAMP 求解器组合使用以满足计划中的约束条件。同时,为了在这些约束条件满足不确定物体状态的情况下进行预测,在学习的低维潜在空间中定义这些采样器。实验结果中介绍了使用传统 TAMP,生成式学习和潜在嵌入组合的长程约束条件推理方法在一个物体操作环境中的有效性。
Jun, 2023
我们提出了一种名为 Stein Task and Motion Planning (STAMP) 的新算法,利用并行化和可微分仿真来高效地搜索多个不同的计划。STAMP 将离散和连续的任务和动作规划问题转化为能够使用变分推断求解的连续优化问题。我们的算法基于 Stein 变分梯度下降算法和在 GPU 上并行化的可微分物理模拟器,以高效地获得推断的梯度。此外,我们采用模仿学习引入动作抽象,将推断问题降维。我们通过两个任务和动作规划问题演示了我们的方法,并实证表明 STAMP 能够:1)并行产生多个不同的计划;2)比现有 TAMP 基准更有效地搜索计划。
Oct, 2023