面向大规模类家居环境中高性能长效机器人的预期规划
机器人学
2024-11-21 v1
摘要
我们考虑这样一种场景:机器人必须在持久的大规模环境中逐一完成一系列任务。现有的任务规划器通常以近视方式运作,仅关注当前目标而不考虑当前行为对未来任务的影响。预期规划通过最小化当前任务的即时规划成本与未来后续任务相关预期成本的联合目标,提供了一种改进长效任务规划的方法。然而,由于所涉资产数量庞大,这给学习与规划的可扩展性带来了压力,将预期规划应用于大规模环境面临重大挑战。在本研究中,我们引入了一个基于模型的预期任务规划框架,旨在扩展至大规模真实环境。我们的框架使用 GNN,特别是通过受 3D Scene Graph 启发的表示,学习对估计状态预期成本至关重要的环境基本属性,并采用基于采样的程序进行实用的大规模预期规划。实验结果表明,我们的规划器在家庭和餐厅环境中分别将任务序列成本降低了 5.38% 和 31.5%。如果使用我们的模型提前进行准备,则分别将任务序列成本降低了 40.6% 和 42.5%。
引用
@article{arxiv.2411.12837,
title = {Anticipatory Planning for Performant Long-Lived Robot in Large-Scale Home-Like Environments},
author = {Md Ridwan Hossain Talukder and Raihan Islam Arnob and Gregory J. Stein},
journal= {arXiv preprint arXiv:2411.12837},
year = {2024}
}
备注
Submitted to 2025 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2025