PDDLStream：通过乐观自适应规划集成符号规划器与黑箱采样器
人工智能
2020-03-24 v5 机器人学
摘要
许多规划应用涉及定义在高维连续变量上的复杂关系。例如，机器人操作需要针对机器人构型、物体位姿和机器人轨迹的运动学、碰撞、可见性和运动约束进行规划。这些约束通常需要专门的过程来采样满足的值。我们将 PDDL 扩展以支持对这些过程的一种通用声明式规范，并将其实现视为黑箱。我们提供将 PDDLStream 问题归约为有限 PDDL 问题序列的域无关算法。我们还引入了一种动态平衡探索新候选规划与利用已有规划的算法。这使得该算法能够贪婪地搜索参数绑定空间，从而更快速地求解强约束问题，并进行局部优化以产生低成本解。我们在三个模拟机器人规划领域以及若干真实世界机器人任务上评估了我们的算法。
引用
@article{arxiv.1802.08705,
title = {PDDLStream: Integrating Symbolic Planners and Blackbox Samplers via Optimistic Adaptive Planning},
author = {Caelan Reed Garrett and Tomás Lozano-Pérez and Leslie Pack Kaelbling},
journal= {arXiv preprint arXiv:1802.08705},
year = {2020}
}
备注
International Conference on Automated Planning and Scheduling (ICAPS) 2020