用于反应式任务与运动规划的多模态 MPPI 与主动推断
机器人学
2025-01-22 v2
摘要
任务与运动规划（Task and Motion Planning, TAMP）在复杂操作任务中取得了长足进展，但规划解的执行鲁棒性仍被忽视。在本工作中，我们提出了一种反应式 TAMP 方法，以应对运行时的不确定性与扰动。我们将用于自适应高层动作选择的主动推断规划器（Active Inference Planner, AIP）与一种新颖的多模态模型预测路径积分控制器（Multi-Modal Model Predictive Path Integral controller, M3P2I）相结合用于低层控制。这产生了一种同时调整高层动作和低层运动的方案。AIP 生成备选的符号规划，每个规划均关联一个用于 M3P2I 的代价函数。后者采用物理模拟器进行多样化的轨迹展开，通过根据代价对不同样本进行加权来推导最优控制。这一思想使得融合不同的机器人技能成为可能，以实现流畅且反应式的规划执行，适应高层和低层的规划调整，例如应对使当前规划失效的动态障碍物或扰动。我们在仿真和真实场景中测试了该方法。
引用
@article{arxiv.2312.02328,
title = {Multi-Modal MPPI and Active Inference for Reactive Task and Motion Planning},
author = {Yuezhe Zhang and Corrado Pezzato and Elia Trevisan and Chadi Salmi and Carlos Hernández Corbato and Javier Alonso-Mora},
journal= {arXiv preprint arXiv:2312.02328},
year = {2025}
}
备注
Accepted for IEEE RA-L, June 2024. Project's website: https://autonomousrobots.nl/paper_websites/m3p2i-aip