Anytime Stochastic Task and Motion Policies
Anytime Stochastic Task and Motion Policies
复制标题
随时随机任务和运动策略
DOI：
10.48550/arxiv.2203.13236
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Siddharth Srivastava
中科院分区：
文献类型：
--
作者：
Naman Shah;Siddharth Srivastava
为了解决复杂的、长时间的任务，智能机器人需要进行高层次的、抽象的规划和推理，并结合运动规划。然而，抽象模型通常是有损的，并且使用它们计算的计划或策略可能无法执行。这些问题在机器人需要推理和计划多个意外事件的随机情况下会加剧。我们提出了一种新的方法，在随机设置的综合任务和运动规划。在这个方向的先前工作相比，我们表明，我们的方法可以有效地计算集成的任务和运动策略，其分支结构编码代理的行为，处理多个执行时间的突发事件。我们证明了我们的算法是概率完全的，可以计算可行的解决方案的政策，在任何时候的方式，使遇到一个未解决的意外事件的概率随着时间的推移而下降。一组具有挑战性的问题的实证结果表明，我们的方法的实用性和范围。
In order to solve complex, long-horizon tasks, intelligent robots need to carry out high level, abstract planning and reasoning in conjunction with motion planning. However, abstract models are typically lossy and plans or policies computed using them can be inexecutable. These problems are exacerbated in stochastic situations where the robot needs to reason about, and plan for multiple contingencies. We present a new approach for integrated task and motion planning in stochastic settings. In contrast to prior work in this direction, we show that our approach can effectively compute integrated task and motion policies whose branching structures encode agent behaviors that handle multiple execution-time contingencies. We prove that our algorithm is probabilistically complete and can compute feasible solution policies in an anytime fashion so that the probability of encountering an unresolved contingency decreases over time. Empirical results on a set of challenging problems show the utility and scope of our method.
DOI：
10.1146/annurev-control-091420-084139
发表时间：
2021-01-01
期刊：
ANNUAL REVIEW OF CONTROL, ROBOTICS, AND AUTONOMOUS SYSTEMS, VOL 4, 2021
影响因子：
--
作者：
Garrett, Caelan Reed;Chitnis, Rohan;Lozano-Perez, Tomas
通讯作者：
Lozano-Perez, Tomas