在任务与运动规划中利用流进行学习型搜索

机器人学中的任务与运动规划问题将离散任务变量上的符号规划与连续状态及动作变量上的运动优化相结合。近期如 PDDLStream 等工作聚焦于乐观规划，以增量增长的对象集合直至找到可行轨迹。然而，该集合以广度优先方式被穷尽式扩展，而不考虑当前问题的逻辑与几何结构，这使得在对象数量庞大时进行长视野推理耗时过长而难以承受。为解决此问题，我们提出了一种几何启发的符号规划器，以最佳优先方式扩展对象与事实集合，并由从先前搜索计算中学习的图神经网络排序优先。我们在多样化问题集上评估了该方法，并展示了在困难场景中规划能力的提升。我们还将算法应用于 7DOF 机械臂的叠块操作任务。