基于神经符号松弛的快速任务规划

现实世界的任务规划需要对大量具有复杂关系和属性的对象进行长期推理，导致经典符号规划器面临组合爆炸。为修剪搜索空间，最近的方法优先在仅包含几类“重要”对象的简化任务上进行搜索，这些对象由神经网络预测。然而，这种简单的神经符号(NeSy)集成风险会遗漏关键对象，并在无法求解的简化任务上浪费资源。为实现快速可靠规划，我们引入一种神经符号松弛策略(Flax)，将神经重要性预测与符号扩展相结合。具体而言，我们首先学习图神经网络以预测对象重要性，以创建简化任务并用符号规划器求解。随后，我们解答一个规则松弛任务以获得快速粗略计划，并重新将所有引用对象整合到简化任务中以恢复任何被忽略但关键的元素。最后，我们应用补充规则来细化更新后的任务，使其既可靠又紧凑。在合成和现实世界的迷宫导航基准测试上进行了大量实验，这些基准测试要求机器人穿越迷宫并与可移动障碍物交互。结果表明，Flax 将平均成功率提高了 20.82%，将平均墙钟规划时间缩短了 17.65%，显著优于最先进的 NeSy 基线方法。我们期望 Flax 为在复杂环境中实现快速、可扩展的长期任务规划提供了一条实用路径。