Probabilistic Inference in Planning for Partially Observable Long Horizon Problems

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

Licenze

Open access
Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

SHY-COBRA concretizza prese, pose e traiettorie di un piano simbolico tramite propagazione delle credenze su un grafo di vincoli inizializzato con credenze rumorose, poi esegue, osserva e ripianifica.

Perché è importante

I robot reali affrontano rumore sia sulla posizione degli oggetti sia sui propri stati dei giunti, e un pianificatore che ne tratta solo uno mancherà delle prese. Rappresentare ogni parametro continuo come una credenza basata su campioni permette a qualsiasi modello di incertezza di entrare nel piano, ed è ciò di cui un manipolatore mobile ha bisogno per compiti domestici a più passi.

Problema

I compiti di servizio a lungo orizzonte, come cucinare, richiedono una pianificazione integrata di compiti e movimenti (TAMP), ma la maggior parte dei metodi TAMP presuppone che lo stato sia completamente noto e che le azioni siano deterministiche. I metodi che gestiscono l'osservabilità parziale di solito risolvono il problema di vincoli ibrido tramite campionamento o ottimizzazione e riducono la credenza al suo valore più probabile. Il metodo precedente più vicino, SS-Replan, modella l'incertezza solo sulle pose degli oggetti.

Soluzione proposta

Un pianificatore simbolico (Fast Downward) produce uno scheletro di piano; i suoi parametri liberi (configurazioni del robot, pose degli oggetti, prese, traiettorie del braccio) diventano nodi variabili in un grafo dei fattori i cui fattori sono vincoli come la fattibilità cinematica, il movimento privo di collisioni, la presa stabile e il posizionamento stabile. Le variabili sono inizializzate con campioni della credenza rumorosa del robot, e la propagazione delle credenze non parametrica max-product con scambio di messaggi di tipo pull (PMPNBP) inferisce un'assegnazione che le soddisfa congiuntamente. Il robot esegue ogni azione, aggiorna la propria credenza dall'osservazione e ricostruisce il grafo e ripianifica se l'effetto non è quello atteso.

Idee chiave

Concretizzare uno scheletro di piano può essere formulato come inferenza su un grafo dei fattori, con i vincoli come fattori e i parametri d'azione come variabili.
La propagazione delle credenze non parametrica mantiene la credenza completa basata su campioni invece di ridurla a una stima di massima verosimiglianza, per cui si possono usare distribuzioni di incertezza arbitrarie.
Modellare il rumore sulla configurazione dei giunti oltre al rumore sulla posa degli oggetti riduce le prese e i posizionamenti mancati rispetto a un pianificatore che modella solo il rumore di posa.
Il costo di pianificazione del metodo cresce con l'entità del rumore di stima.

Risultati principali

Compito di recupero: 9,37 ± 5,25 s di tempo di pianificazione e 1,33 ± 1,52 errori per SHY-COBRA contro 16,61 ± 5,68 s e 8,67 ± 4,93 errori per SS-Replan*.
Compito di lavaggio: 15,72 ± 6,91 s e 2,67 ± 3,06 errori contro 21,32 ± 8,53 s e 7,00 ± 3,60 errori.
Compito di cottura: 25,15 ± 5,16 s e 3,50 ± 2,12 errori contro 29,28 ± 13,61 s e 6,33 ± 0,58 errori.
Compito di servire il pasto: 37,24 ± 10,04 s e 7,00 ± 2,83 errori contro 52,75 ± 16,82 s e 15,5 ± 0,71 errori.
I risultati sono su 12 problemi generati casualmente per compito, con rumore sulla posa degli oggetti di 10 cm e rumore sulla configurazione dei giunti di 0,25 rad di deviazione standard, 100 campioni ciascuno e 10 iterazioni di PMPNBP per ciclo di pianificazione.

Limiti

Gli autori affermano che la complessità temporale del metodo cresce con l'entità del rumore nelle stime (Fig. 6).
Tutti gli esperimenti sono in simulazione con PyBullet con un robot Digit simulato; non c'è alcun test su un robot fisico.
Gli esperimenti presuppongono rumore gaussiano a media nulla sulle stime di posa e dei giunti, anche se si afferma che il metodo è indipendente dal tipo di distribuzione.
Lo scheletro di piano proviene da un pianificatore simbolico separato, e l'unico metodo di riferimento è SS-Replan*, l'adattamento di SS-Replan realizzato dagli autori.

Impatto sul settore

Vincitore dell'IROS 2021 Best Paper Award on Mobile Manipulation, citato 12 volte. L'articolo non indica alcun rilascio di codice o dati.

Abstract

Affinché i robot di servizio autonomi svolgano con successo compiti a lungo orizzonte nel mondo reale, devono agire in modo intelligente in ambienti parzialmente osservabili. La maggior parte degli approcci di pianificazione di compiti e movimenti (Task and Motion Planning) presuppone la completa osservabilità del proprio spazio degli stati, il che li rende inefficaci in domini stocastici e parzialmente osservabili che riflettono le incertezze del mondo reale. Proponiamo un approccio di pianificazione ed esecuzione online per svolgere compiti a lungo orizzonte in domini parzialmente osservabili. Dati la credenza del robot e uno scheletro di piano composto da azioni simboliche, il nostro approccio concretizza ogni azione simbolica inferendo i parametri continui d'azione necessari per eseguire il piano con successo. Per farlo, formuliamo il problema dell'inferenza congiunta dei parametri d'azione come un problema di soddisfacimento di vincoli ibrido (H-CSP) e risolviamo l'H-CSP con la propagazione delle credenze (Belief Propagation). Il robot esegue le azioni parametrizzate risultanti, aggiorna la propria credenza sul mondo e ripianifica quando necessario. Il nostro approccio è in grado di risolvere in modo efficiente compiti parzialmente osservabili in un ambiente di simulazione realistico di una cucina. Il nostro approccio ha superato un adattamento del metodo allo stato dell'arte in tutti i nostri esperimenti.

Link

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