Probabilistic Inference in Planning for Partially Observable Long Horizon Problems

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

Licenças

Acesso aberto
Artigo: CC BY 4.0

Tudo o que segue se baseia no artigo completo sob a licença CC BY 4.0; sua figura é mostrada com crédito aos autores.

Em resumo

O SHY-COBRA concretiza as preensões, poses e trajetórias de um plano simbólico por propagação de crenças sobre um grafo de restrições inicializado com crenças ruidosas, e então executa, observa e replaneja.

Por que importa

Robôs reais enfrentam ruído tanto na posição dos objetos quanto em seus próprios estados das juntas, e um planejador que trata apenas um deles vai errar preensões. Representar cada parâmetro contínuo como uma crença baseada em amostras permite que qualquer modelo de incerteza entre no plano, que é o que um manipulador móvel precisa para tarefas domésticas de vários passos.

Problema

Tarefas de serviço de longo horizonte, como cozinhar, exigem planejamento integrado de tarefas e movimentos (TAMP), mas a maioria dos métodos TAMP supõe que o estado é totalmente conhecido e que as ações são determinísticas. Métodos que lidam com observabilidade parcial costumam resolver o problema de restrições híbrido por amostragem ou otimização e reduzem a crença ao seu valor mais provável. O método anterior mais próximo, o SS-Replan, modela a incerteza apenas nas poses dos objetos.

Solução proposta

Um planejador simbólico (Fast Downward) produz um esqueleto de plano; seus parâmetros livres (configurações do robô, poses dos objetos, preensões, trajetórias do braço) tornam-se nós de variáveis em um grafo de fatores cujos fatores são restrições como viabilidade cinemática, movimento livre de colisão, preensão estável e colocação estável. As variáveis são inicializadas com amostras da crença ruidosa do robô, e a propagação de crenças não paramétrica max-product com passagem de mensagens do tipo pull (PMPNBP) infere uma atribuição que as satisfaz conjuntamente. O robô executa cada ação, atualiza sua crença a partir da observação e reconstrói o grafo e replaneja se o efeito não for o esperado.

Principais ideias

Concretizar um esqueleto de plano pode ser formulado como inferência em um grafo de fatores, com as restrições como fatores e os parâmetros de ação como variáveis.
A propagação de crenças não paramétrica mantém a crença completa baseada em amostras em vez de reduzi-la a uma estimativa de máxima verossimilhança, de modo que distribuições de incerteza arbitrárias podem ser usadas.
Modelar o ruído na configuração das juntas além do ruído na pose dos objetos reduz as coletas e colocações malsucedidas em comparação com um planejador que modela apenas o ruído de pose.
O custo de planejamento do método cresce com a magnitude do ruído de estimação.

Principais resultados

Tarefa de buscar: 9,37 ± 5,25 s de tempo de planejamento e 1,33 ± 1,52 erros para o SHY-COBRA contra 16,61 ± 5,68 s e 8,67 ± 4,93 erros para o SS-Replan*.
Tarefa de lavar: 15,72 ± 6,91 s e 2,67 ± 3,06 erros contra 21,32 ± 8,53 s e 7,00 ± 3,60 erros.
Tarefa de cozinhar: 25,15 ± 5,16 s e 3,50 ± 2,12 erros contra 29,28 ± 13,61 s e 6,33 ± 0,58 erros.
Tarefa de servir a refeição: 37,24 ± 10,04 s e 7,00 ± 2,83 erros contra 52,75 ± 16,82 s e 15,5 ± 0,71 erros.
Os resultados são sobre 12 problemas gerados aleatoriamente por tarefa, com ruído na pose dos objetos de 10 cm e ruído na configuração das juntas de 0,25 rad de desvio padrão, 100 amostras cada e 10 iterações do PMPNBP por ciclo de planejamento.

Limitações

Os autores afirmam que a complexidade de tempo do método cresce com a magnitude do ruído nas estimativas (Fig. 6).
Todos os experimentos são em simulação no PyBullet com um robô Digit simulado; não há teste com robô físico.
Os experimentos supõem ruído gaussiano de média zero nas estimativas de pose e das juntas, embora se afirme que o método independe do tipo de distribuição.
O esqueleto de plano vem de um planejador simbólico separado, e a única referência é o SS-Replan*, adaptação do SS-Replan feita pelos autores.

Impacto na área

Vencedor do IROS 2021 Best Paper Award on Mobile Manipulation, com 12 citações. O artigo não menciona publicação de código ou dados.

Resumo

Para que robôs de serviço autônomos realizem com sucesso tarefas de longo horizonte no mundo real, eles precisam agir de forma inteligente em ambientes parcialmente observáveis. A maioria das abordagens de planejamento de tarefas e movimentos (Task and Motion Planning) supõe observabilidade completa de seu espaço de estados, o que as torna ineficazes em domínios estocásticos e parcialmente observáveis que refletem as incertezas do mundo real. Propomos uma abordagem de planejamento e execução online para realizar tarefas de longo horizonte em domínios parcialmente observáveis. Dados a crença do robô e um esqueleto de plano composto de ações simbólicas, nossa abordagem concretiza cada ação simbólica inferindo os parâmetros contínuos de ação necessários para executar o plano com sucesso. Para isso, formulamos o problema da inferência conjunta dos parâmetros de ação como um problema de satisfação de restrições híbrido (H-CSP) e resolvemos o H-CSP usando propagação de crenças (Belief Propagation). O robô executa as ações parametrizadas resultantes, atualiza sua crença sobre o mundo e replaneja quando necessário. Nossa abordagem consegue resolver de forma eficiente tarefas parcialmente observáveis em um ambiente de simulação realista de cozinha. Nossa abordagem superou uma adaptação do método do estado da arte em todos os nossos experimentos.

Open Source Robotics