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
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
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
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
本研究介绍了利用卷积神经网络来训练神经可行性分类器(NFC),实现自动分类任务计划中提出的动作方案的可行性,从而在多步操作任务中有效降低规划时间。
Mar, 2022
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。
Feb, 2021
LLM^3 是一种基于大型语言模型(LLM)的全新的任务和运动规划(TAMP)框架,具有领域无关的接口,利用预训练的 LLM 的强大推理和规划能力来提出符号动作序列并选择运动规划的连续动作参数,并通过提示将运动规划反馈到 LLM 中,从而通过对运动失败进行推理来不断改进提案,解决 TAMP 问题,选择行动参数的有效性得到定量证明,并在实际应用中对物理机械臂进行定性实验。
Mar, 2024
通过提取人类示范的短时间操纵轨迹,使用神经目标描述符进行适应性处理,并将其组合以解决广泛的长期任务,我们的提出的基于 TAMP 的 NOD-TAMP 框架有效地解决了各种挑战,并在模拟环境中胜过现有方法,为操纵规划建立了一个有机的框架。
Nov, 2023