Probabilistic Inference in Planning for Partially Observable Long Horizon Problems

Autoren: Alphonsus Adu-Bredu, Nikhil Devraj, Pin-Han Lin, Zhen Zeng, Odest Chadwicke Jenkins · IROS 2021

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

SHY-COBRA konkretisiert Griffe, Posen und Trajektorien eines symbolischen Plans durch Belief Propagation über einem Constraint-Graphen, der mit verrauschten Beliefs initialisiert wird, und führt dann aus, beobachtet und plant neu.

Warum es wichtig ist

Reale Roboter sind Rauschen sowohl in der Position von Objekten als auch in ihren eigenen Gelenkzuständen ausgesetzt, und ein Planer, der nur eines davon berücksichtigt, verfehlt Griffe. Wird jeder kontinuierliche Parameter als stichprobenbasierter Belief dargestellt, kann jedes Unsicherheitsmodell in den Plan eingehen, was ein mobiler Manipulator für mehrstufige Haushaltsaufgaben braucht.

Problem

Serviceaufgaben mit langem Horizont wie Kochen erfordern integrierte Aufgaben- und Bewegungsplanung (TAMP), doch die meisten TAMP-Methoden setzen voraus, dass der Zustand vollständig bekannt ist und Aktionen deterministisch sind. Methoden, die teilweise Beobachtbarkeit behandeln, lösen das hybride Constraint-Problem meist durch Sampling oder Optimierung und reduzieren den Belief auf seinen wahrscheinlichsten Wert. Die nächstverwandte frühere Methode, SS-Replan, modelliert Unsicherheit nur in den Objektposen.

Lösungsansatz

Ein symbolischer Planer (Fast Downward) erzeugt ein Planskelett; dessen freie Parameter (Roboterkonfigurationen, Objektposen, Griffe, Armtrajektorien) werden zu Variablenknoten in einem Faktorgraphen, dessen Faktoren Constraints wie kinematische Machbarkeit, kollisionsfreie Bewegung, stabiler Griff und stabile Ablage sind. Die Variablen werden mit Stichproben aus dem verrauschten Belief des Roboters initialisiert, und max-product Pull Message Passing Nonparametric Belief Propagation (PMPNBP) inferiert eine Belegung, die alle Constraints gemeinsam erfüllt. Der Roboter führt jede Aktion aus, aktualisiert seinen Belief aus der Beobachtung und baut den Graphen neu auf und plant neu, wenn der Effekt nicht der erwartete ist.

Wichtigste Erkenntnisse

Die Konkretisierung eines Planskeletts lässt sich als Inferenz auf einem Faktorgraphen auffassen, mit Constraints als Faktoren und Aktionsparametern als Variablen.
Nichtparametrische Belief Propagation behält den vollständigen stichprobenbasierten Belief bei, statt ihn auf eine Maximum-Likelihood-Schätzung zu reduzieren, sodass beliebige Unsicherheitsverteilungen verwendet werden können.
Wird neben dem Rauschen der Objektpose auch das Rauschen der Gelenkkonfiguration modelliert, verringern sich verfehlte Greif- und Ablagevorgänge im Vergleich zu einem Planer, der nur Posenrauschen modelliert.
Der Planungsaufwand der Methode wächst mit der Größe des Schätzrauschens.

Hauptergebnisse

Retrieve-Aufgabe: 9,37 ± 5,25 s Planungszeit und 1,33 ± 1,52 Fehler für SHY-COBRA gegenüber 16,61 ± 5,68 s und 8,67 ± 4,93 Fehlern für SS-Replan*.
Wash-Aufgabe: 15,72 ± 6,91 s und 2,67 ± 3,06 Fehler gegenüber 21,32 ± 8,53 s und 7,00 ± 3,60 Fehlern.
Cook-Aufgabe: 25,15 ± 5,16 s und 3,50 ± 2,12 Fehler gegenüber 29,28 ± 13,61 s und 6,33 ± 0,58 Fehlern.
Serve-meal-Aufgabe: 37,24 ± 10,04 s und 7,00 ± 2,83 Fehler gegenüber 52,75 ± 16,82 s und 15,5 ± 0,71 Fehlern.
Die Ergebnisse beruhen auf 12 zufällig erzeugten Problemen pro Aufgabe, mit Rauschen der Objektpose von 10 cm und Rauschen der Gelenkkonfiguration von 0,25 rad Standardabweichung, jeweils 100 Stichproben und 10 PMPNBP-Iterationen pro Planungszyklus.

Einschränkungen

Die Autoren geben an, dass die Zeitkomplexität der Methode mit der Größe des Rauschens in den Schätzungen wächst (Fig. 6).
Alle Experimente finden in PyBullet-Simulation mit einem simulierten Digit-Roboter statt; es gibt keinen Test mit einem physischen Roboter.
Die Experimente setzen mittelwertfreies Gaußsches Rauschen auf Posen- und Gelenkschätzungen voraus, obwohl die Methode als unabhängig vom Verteilungstyp beschrieben wird.
Das Planskelett stammt von einem separaten symbolischen Planer, und die einzige Baseline ist die Adaption SS-Replan* der Autoren von SS-Replan.

Wirkung auf das Fachgebiet

Gewinner des IROS 2021 Best Paper Award on Mobile Manipulation, 12-mal zitiert. Die Arbeit nennt keine Veröffentlichung von Code oder Daten.

Zusammenfassung

Damit autonome Serviceroboter Aufgaben mit langem Horizont in der realen Welt erfolgreich ausführen können, müssen sie in teilweise beobachtbaren Umgebungen intelligent handeln. Die meisten Ansätze der Aufgaben- und Bewegungsplanung (TAMP) setzen die volle Beobachtbarkeit ihres Zustandsraums voraus, was sie in stochastischen und teilweise beobachtbaren Domänen, die die Unsicherheiten der realen Welt widerspiegeln, unwirksam macht. Wir schlagen einen Online-Ansatz für Planung und Ausführung vor, um Aufgaben mit langem Horizont in teilweise beobachtbaren Domänen auszuführen. Gegeben den Belief des Roboters und ein Planskelett aus symbolischen Aktionen, konkretisiert unser Ansatz jede symbolische Aktion, indem er kontinuierliche Aktionsparameter inferiert, die für die erfolgreiche Ausführung des Plans nötig sind. Dazu formulieren wir das Problem der gemeinsamen Inferenz der Aktionsparameter als Hybrid Constraint Satisfaction Problem (H-CSP) und lösen das H-CSP mittels Belief Propagation. Der Roboter führt die resultierenden parametrisierten Aktionen aus, aktualisiert seinen Belief über die Welt und plant bei Bedarf neu. Unser Ansatz kann teilweise beobachtbare Aufgaben in einer realistischen Küchensimulationsumgebung effizient lösen. Unser Ansatz übertraf in allen unseren Experimenten eine Adaption der Methode nach dem Stand der Technik.

Open Source Robotics