抽象计划可行性的主动学习
机器人学
2021-07-05 v1 人工智能
摘要
长时序顺序操作任务可有效地以分层方式解决：在高抽象层级上，规划器在抽象动作序列中搜索；当找到计划后，再生成低层运动规划。此类策略依赖于可靠预测能找到满足抽象计划的可行低层规划。然而，计算抽象计划可行性（APF）是困难的，因为计划的结果取决于难以建模的真实世界现象，例如估计与执行中的噪声。在本工作中，我们提出一种主动学习方法，通过在机器人上进行任务无关的好奇探索，高效获取 APF 预测器。机器人识别其结果有助于揭示 APF 信息的计划，执行这些计划，并从其成功或失败中学习。关键的是，我们利用不可行子序列性质在主动学习策略中剪除候选计划，使系统能用更少的数据学习。我们在仿真及真实的 Franka Emika Panda 机器人（集成感知、实验、规划与执行）上评估了我们的策略。在物体具有非均匀质量分布的堆叠领域中，我们展示了系统可在四百次自监督交互中完成真实机器人 APF 模型学习，且所学模型可有效用于多个下游任务。
引用
@article{arxiv.2107.00683,
title = {Active Learning of Abstract Plan Feasibility},
author = {Michael Noseworthy and Caris Moses and Isaiah Brand and Sebastian Castro and Leslie Kaelbling and Tomás Lozano-Pérez and Nicholas Roy},
journal= {arXiv preprint arXiv:2107.00683},
year = {2021}
}
备注
To appear in Robotics: Science and Systems 2021