MOSAIC：面向长期操控规划的技能导向算法框架

使用预定义技能集合规划长期操控运动是机器人学中的核心挑战之一；高效解决此问题可使通用机器人通过灵活组合通用技能来应对新任务。在此问题上，解决方案位于参数化技能序列的无限广阔空间中——该空间常让常见的增量方法难以找到具有非显性中间步骤的序列。某些方法在更可遍历的低维符号空间上进行推理，但可能脆弱且繁琐。本文我们引入MOSAIC，一种技能导向的多方向规划方法，通过推理哪些技能最可能成功以及技能在何处最有效来针对上述挑战进行设计，利用物理仿真来估计技能执行结果。具体而言，MOSAIC采用两种互补的技能家族：Generator识别技能 demonstrably 有效的“能力岛”，Connector通过求解边界值问题将这些技能轨迹连接起来。通过聚焦于高效能区域的规划，MOSAIC高效发现物理上依赖的解。我们在仿真和真实世界的复杂长期问题上展示了其有效性，所用技能包括生成式扩散模型、运动规划算法和操控特定模型。访问skill-mosaic.github.io可查看演示和示例。