生成式技能链：基于扩散模型的长时域技能规划
机器人学
2024-01-09 v1
摘要
长时域任务通常以复杂的子任务依赖为特征，这对操作规划构成了重大挑战。技能链是一种通过组合习得的技能先验来解决未见任务的实用方法。然而，此类方法若贪婪排序则显得短视，且基于搜索的规划策略面临可扩展性问题。为应对这些挑战，我们引入了生成式技能链 (GSC)，这是一种概率框架，它学习以技能为中心的扩散模型，并在推理过程中组合其习得的分布以生成长时域规划。GSC 并行采样所有技能模型，以高效解决未见任务，同时强制执行几何约束。我们在各种长时域任务上评估了该方法，展示了其在推理动作依赖、约束处理和泛化方面的能力，以及在面对扰动时重新规划的能力。我们通过仿真和真实机器人实验展示了结果，验证了 GSC 的效率和可扩展性，突显了其在推进长时域任务规划方面的潜力。更多详情见：https://generative-skill-chaining.github.io/
引用
@article{arxiv.2401.03360,
title = {Generative Skill Chaining: Long-Horizon Skill Planning with Diffusion Models},
author = {Utkarsh A. Mishra and Shangjie Xue and Yongxin Chen and Danfei Xu},
journal= {arXiv preprint arXiv:2401.03360},
year = {2024}
}
备注
Accepted at CoRL 2023: https://openreview.net/forum?id=HtJE9ly5dT