基于乐观策略的强化学习技能插入用于任务与运动规划
机器人学
2025-10-17 v1
摘要
机器人操作的任务与运动规划（TAMP）需要涉及多样化动作和技能的长期推理。虽然可以通过采样或优化带有特定约束的确定性动作来实现, 但对于具有不确定性的规划动作, 即概率动作, 仍然是一个挑战。相反, 强化学习（RL）在获取鲁棒且短期的多样化操作技能方面表现出色。本文设计了一种将 RL 技能集成到 TAMP 流程中的方法。除了策略外, RL 技能还定义为数据驱动的逻辑组件, 以启用该技能由符号规划部署。我们设计了一个计划细化子程序来进一步处理不可避免的不确定性效应。在实验中, 我们从TAMP和RL领域比较了该方法与基线层次规划, 并阐明了该方法的优势。结果表明, 通过嵌入 RL 技能, 我们扩展了 TAMP 处理概率技能领域的能力, 并在规划效率方面优于先前方法。
引用
@article{arxiv.2510.14065,
title = {Optimistic Reinforcement Learning-Based Skill Insertions for Task and Motion Planning},
author = {Gaoyuan Liu and Joris de Winter and Yuri Durodie and Denis Steckelmacher and Ann Nowe and Bram Vanderborght},
journal= {arXiv preprint arXiv:2510.14065},
year = {2025}
}