结合优化、采样与学习的分解式任务与运动规划

在本论文中，我们旨在从三个互补的视角改进TAMP算法的性能。首先，我们研究离散任务规划与连续轨迹优化的集成。我们的主要贡献是一个基于冲突的求解器，它能在考虑物理世界约束时自动发现任务规划可能失败的原因。随后该信息被反馈给任务规划器，在任务与运动之间形成高效、双向且直观的接口，能够解决具有多个物体、机器人以及严格物理约束的TAMP问题。在第二部分中，我们首先说明，鉴于TAMP中任务和环境的广泛性，采样与优化在任何设置下都不具备绝对优势。为了结合两种方法的优势，我们为TAMP设计了元求解器，这是一种自适应求解器，能够自动选择使用哪些算法和计算，以及如何最优地分解每个问题以更快找到解。在第三部分中，我们将深度学习架构与基于模型的推理相结合，以加速TAMP求解器内的计算。具体而言，我们针对不可行性检测和非线性优化，重点关注泛化能力、准确性、计算时间和数据效率。我们贡献的核心是TAMP内部轨迹优化问题的一种精细化分解表示。这种结构不仅促进了更高效的规划、几何不可行性的编码和元推理，还在神经架构中提供了更好的泛化能力。