利用神经可行性检查加速集成任务与运动规划

随着机器人在工业中扮演越来越重要的角色，对其执行日常起居任务的期望也日益提高。机器人需要执行由若干需完成的子任务构成的长时序任务。任务与运动规划(TAMP)提供了一种分层框架，通过交错使用生成可能动作序列的符号任务规划器与在几何世界中检查运动学可行性、并在若干约束（例如从一状态到另一状态的无碰撞轨迹）满足时生成机器人轨迹的运动规划器，来处理操作任务的顺序性。因此，关于任务规划几何落地的推理由运动规划器承担。然而，运动规划计算密集，其作为可行性检查器的可用性使TAMP方法难以应用于真实场景。本文中，我们引入神经可行性分类器(NFC)，一种简单而有效的视觉启发式方法，用于在TAMP中对所提动作的可行性进行分类。即，NFC将在无需代价高昂的运动规划的情况下识别任务规划器中不可行的动作，从而减少多步操作任务中的规划时间。NFC借助卷积神经网络(CNN)将机器人工作空间的图像编码为特征图。我们使用来自TAMP问题的模拟数据训练NFC，并基于IK可行性检查对样本进行标注。我们在不同模拟操作任务中的经验结果表明，我们的NFC可泛化至整个机器人工作空间，并即使在含多个障碍的场景中也具有较高预测精度。当与最先进的集成TAMP结合时，我们的NFC在提升其性能的同时减少了其规划时间。