Probabilistic Inference in Planning for Partially Observable Long Horizon Problems
作者: Alphonsus Adu-Bredu, Nikhil Devraj, Pin-Han Lin, Zhen Zeng, Odest Chadwicke Jenkins · IROS 2021
授權條款
- 開放取用
- 論文: CC BY 4.0
以下內容皆依據論文全文，依其 CC BY 4.0 授權條款使用；圖表已標示作者。
一句話摘要
SHY-COBRA 在以帶雜訊信念為初值的約束圖上進行信念傳播，將符號計畫中的抓取、位姿與軌跡具體化，然後執行、觀察並重新規劃。
為何重要
真實機器人同時面對物體位置的雜訊與自身關節狀態的雜訊，只處理其中一種的規劃器會錯失抓取。將每個連續參數都表示為以樣本為基礎的信念，可讓任何不確定性模型進入計畫，而這正是移動式操作機器人執行多步驟家務任務所需要的。
問題
烹飪等長時域服務任務需要整合式的任務與運動規劃（TAMP），但大多數 TAMP 方法假設狀態完全已知、動作具確定性。處理部分可觀測性的方法通常以取樣或最佳化求解混合約束問題，並將信念簡化為其最可能的值。最接近的既有方法 SS-Replan 只對物體位姿的不確定性建模。
提出的方法
符號規劃器（Fast Downward）產生計畫骨架；其自由參數（機器人構型、物體位姿、抓取、手臂軌跡）成為因子圖中的變數節點，而因子則是運動學可行性、無碰撞運動、穩定抓取與穩定放置等約束。變數以從機器人帶雜訊信念中抽取的樣本初始化，並以 max-product Pull Message Passing Nonparametric Belief Propagation（PMPNBP）推論出一個聯合滿足的指派。機器人執行每個動作、根據觀測更新信念，若效果不如預期，就重建圖並重新規劃。
關鍵見解
- 將計畫骨架具體化可以轉化為因子圖上的推論，以約束為因子、動作參數為變數。
- 非參數信念傳播保留完整的樣本式信念，而非將其壓縮為最大概似估計，因此可以使用任意的不確定性分布。
- 除了物體位姿雜訊之外也對關節構型雜訊建模，相較於只對位姿雜訊建模的規劃器，減少了拾取與放置的失誤。
- 此方法的規劃成本隨估計雜訊的大小而增加。
主要結果
- Retrieve 任務：SHY-COBRA 的規劃時間為 9.37 ± 5.25 s、錯誤 1.33 ± 1.52 次，而 SS-Replan* 為 16.61 ± 5.68 s 與 8.67 ± 4.93 次錯誤。
- Wash 任務：15.72 ± 6.91 s 與 2.67 ± 3.06 次錯誤，相較於 21.32 ± 8.53 s 與 7.00 ± 3.60 次錯誤。
- Cook 任務：25.15 ± 5.16 s 與 3.50 ± 2.12 次錯誤，相較於 29.28 ± 13.61 s 與 6.33 ± 0.58 次錯誤。
- Serve-meal 任務：37.24 ± 10.04 s 與 7.00 ± 2.83 次錯誤，相較於 52.75 ± 16.82 s 與 15.5 ± 0.71 次錯誤。
- 結果來自每個任務 12 個隨機產生的問題，物體位姿雜訊標準差為 10 cm、關節構型雜訊標準差為 0.25 rad，各取 100 個樣本，每個規劃週期進行 10 次 PMPNBP 迭代。
限制
- 作者表示，此方法的時間複雜度隨估計中雜訊的大小而增加（圖 6）。
- 所有實驗都在 PyBullet 模擬中以模擬的 Digit 機器人進行；沒有實體機器人測試。
- 實驗假設位姿與關節估計上的雜訊為零平均高斯雜訊，儘管文中表示此方法不受分布類型限制。
- 計畫骨架來自另一個獨立的符號規劃器，唯一的基準是作者對 SS-Replan 的改編版本 SS-Replan*。
對領域的影響
IROS 2021 移動式操作最佳論文獎得主，被引用 12 次。論文未提及釋出程式碼或資料。
摘要
自主服務機器人要在真實世界中成功執行長時域任務，就必須在部分可觀測的環境中聰明地行動。大多數任務與運動規劃（TAMP）方法假設其狀態空間完全可觀測，使它們在反映真實世界不確定性的隨機且部分可觀測領域中失效。我們提出一種線上規劃與執行方法，用於在部分可觀測領域中執行長時域任務。給定機器人的信念與一個由符號動作組成的計畫骨架，我們的方法藉由推論成功執行計畫所需的連續動作參數，將每個符號動作具體化。為此，我們將動作參數的聯合推論問題表述為混合約束滿足問題（Hybrid Constraint Satisfaction Problem，H-CSP），並以信念傳播（Belief Propagation）求解此 H-CSP。機器人執行所得到的參數化動作、更新其對世界的信念，並在必要時重新規劃。我們的方法能在擬真的廚房模擬環境中有效率地解決部分可觀測任務。在我們所有的實驗中，本方法都勝過對最先進方法的一個改編版本。
連結
- 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