FFRob：利用符号规划实现高效的任务与运动规划
机器人学
2017-12-04 v2
摘要
涉及许多物体的移动操作问题由于其混合构型空间的高维度和多模态性而难以解决。执行纯几何搜索的规划器在解决这些问题时速度慢得令人无法接受，因为它们无法对构型空间进行因式分解。符号任务规划器可以有效地构建涉及许多变量的计划，但无法表示操作中所需的几何和运动学约束。我们提出了用于解决任务与运动规划问题的 FFRob 算法。首先，我们引入了扩展动作规范（EAS）作为一种通用规划表示，支持任意谓词作为条件。我们调整现有的启发式搜索思想以解决\proc{strips}规划问题，特别是删除松弛，从而求解 EAS 问题实例。然后，我们将 EAS 表示和规划器应用于操作问题，从而得到 FFRob。FFRob 通过使用操作原语的批量采样和多查询路线图结构迭代地离散化任务与运动规划问题，该结构可根据可移动物体的不同放置位置进行条件化以评估可达性。这种结构使 EAS 规划器能够有效地计算结合了几何和运动学规划约束的启发式函数，从而给出到目标距离的紧密估计。此外，我们证明了 FFRob 是概率完备的且具有有限的期望运行时间。最后，我们通过实证展示了 FFRob 在复杂多样的任务与运动规划任务（包括重排规划和可移动物体间的导航）中的有效性。
引用
@article{arxiv.1608.01335,
title = {FFRob: Leveraging Symbolic Planning for Efficient Task and Motion Planning},
author = {Caelan Reed Garrett and Tomas Lozano-Perez and Leslie Pack Kaelbling},
journal= {arXiv preprint arXiv:1608.01335},
year = {2017}
}