Probabilistic Inference in Planning for Partially Observable Long Horizon Problems

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

SHY-COBRA concrétise les saisies, poses et trajectoires d'un plan symbolique par propagation de croyances sur un graphe de contraintes initialisé à partir de croyances bruitées, puis exécute, observe et replanifie.

Pourquoi c'est important

Les robots réels subissent du bruit à la fois sur la position des objets et sur leurs propres états articulaires, et un planificateur qui ne traite qu'un de ces deux aspects manquera des saisies. Représenter chaque paramètre continu par une croyance fondée sur des échantillons permet d'intégrer n'importe quel modèle d'incertitude au plan, ce dont un manipulateur mobile a besoin pour des tâches domestiques en plusieurs étapes.

Problème

Les tâches de service à long horizon comme la cuisine nécessitent une planification intégrée des tâches et des mouvements (TAMP), mais la plupart des méthodes de TAMP supposent que l'état est entièrement connu et que les actions sont déterministes. Les méthodes qui traitent l'observabilité partielle résolvent généralement le problème de contraintes hybride par échantillonnage ou optimisation et réduisent la croyance à sa valeur la plus probable. La méthode antérieure la plus proche, SS-Replan, ne modélise l'incertitude que sur les poses des objets.

Solution proposée

Un planificateur symbolique (Fast Downward) produit un squelette de plan ; ses paramètres libres (configurations du robot, poses des objets, saisies, trajectoires du bras) deviennent des nœuds variables d'un graphe factoriel dont les facteurs sont des contraintes telles que la faisabilité cinématique, le mouvement sans collision, la saisie stable et la dépose stable. Les variables sont initialisées avec des échantillons tirés de la croyance bruitée du robot, et la max-product Pull Message Passing Nonparametric Belief Propagation (PMPNBP) infère une affectation satisfaisant conjointement les contraintes. Le robot exécute chaque action, met à jour sa croyance à partir de l'observation, puis reconstruit le graphe et replanifie si l'effet n'est pas celui attendu.

Idées clés

• Concrétiser un squelette de plan peut se formuler comme une inférence sur un graphe factoriel, avec les contraintes comme facteurs et les paramètres d'action comme variables.
• La propagation de croyances non paramétrique conserve la croyance complète fondée sur des échantillons au lieu de la réduire à une estimation du maximum de vraisemblance, ce qui permet d'utiliser des distributions d'incertitude arbitraires.
• Modéliser le bruit de configuration articulaire en plus du bruit de pose des objets réduit les saisies et déposes manquées par rapport à un planificateur qui ne modélise que le bruit de pose.
• Le coût de planification de la méthode croît avec l'amplitude du bruit d'estimation.

Principaux résultats

• Tâche Retrieve : 9,37 ± 5,25 s de temps de planification et 1,33 ± 1,52 erreur pour SHY-COBRA, contre 16,61 ± 5,68 s et 8,67 ± 4,93 erreurs pour SS-Replan*.
• Tâche Wash : 15,72 ± 6,91 s et 2,67 ± 3,06 erreurs contre 21,32 ± 8,53 s et 7,00 ± 3,60 erreurs.
• Tâche Cook : 25,15 ± 5,16 s et 3,50 ± 2,12 erreurs contre 29,28 ± 13,61 s et 6,33 ± 0,58 erreurs.
• Tâche Serve-meal : 37,24 ± 10,04 s et 7,00 ± 2,83 erreurs contre 52,75 ± 16,82 s et 15,5 ± 0,71 erreurs.
• Les résultats portent sur 12 problèmes générés aléatoirement par tâche, avec un bruit de pose des objets de 10 cm et un bruit de configuration articulaire de 0,25 rad d'écart-type, 100 échantillons chacun et 10 itérations de PMPNBP par cycle de planification.

Limites

• Les auteurs indiquent que la complexité temporelle de la méthode croît avec l'amplitude du bruit dans les estimations (Fig. 6).
• Toutes les expériences se déroulent en simulation PyBullet avec un robot Digit simulé ; il n'y a aucun test sur robot physique.
• Les expériences supposent un bruit gaussien de moyenne nulle sur les estimations de pose et d'articulations, bien que la méthode soit présentée comme indépendante du type de distribution.
• Le squelette de plan provient d'un planificateur symbolique distinct, et la seule référence est SS-Replan*, l'adaptation de SS-Replan par les auteurs.

Impact sur le domaine

Lauréat du IROS 2021 Best Paper Award on Mobile Manipulation, cité 12 fois. L'article ne mentionne aucune publication de code ou de données.

Résumé

Pour que des robots de service autonomes accomplissent avec succès des tâches à long horizon dans le monde réel, ils doivent agir intelligemment dans des environnements partiellement observables. La plupart des approches de planification de tâches et de mouvements (TAMP) supposent une observabilité complète de leur espace d'états, ce qui les rend inefficaces dans des domaines stochastiques et partiellement observables qui reflètent les incertitudes du monde réel. Nous proposons une approche de planification et d'exécution en ligne pour accomplir des tâches à long horizon dans des domaines partiellement observables. Étant donné la croyance du robot et un squelette de plan composé d'actions symboliques, notre approche concrétise chaque action symbolique en inférant les paramètres d'action continus nécessaires pour exécuter le plan avec succès. Pour ce faire, nous formulons le problème d'inférence conjointe des paramètres d'action comme un problème de satisfaction de contraintes hybride (H-CSP) et résolvons le H-CSP par propagation de croyances. Le robot exécute les actions paramétrées obtenues, met à jour sa croyance sur le monde et replanifie si nécessaire. Notre approche est capable de résoudre efficacement des tâches partiellement observables dans un environnement de simulation de cuisine réaliste. Notre approche a surpassé une adaptation de la méthode de l'état de l'art dans toutes nos expériences.

Liens

• arXiv 2110.09153: https://arxiv.org/abs/2110.09153
• DOI 10.1109/IROS51168.2021.9636685: https://doi.org/10.1109/IROS51168.2021.9636685
• PDF: https://arxiv.org/pdf/2110.09153v1