STAP：任务无关策略的序列化
机器人学
2023-11-16 v3 人工智能
摘要
机器人技能获取的进展使得构建用于下游操作任务的通用学习型技能库成为可能。然而，若不考量长时序规划中普遍存在的动作间依赖关系， naive 地依次执行这些技能难以成功。我们提出任务无关策略序列化（STAP），一种可扩展框架，用于训练操作技能并在规划时协调其几何依赖关系，以解决训练期间任何技能都未见过的新长时序任务。鉴于 Q 函数编码了技能可行性的度量，我们构建了一个优化问题以最大化规划中序列化的所有技能联合成功概率，并通过其 Q 值之积进行估计。我们的实验表明，该目标函数近似于真实规划可行性，且用作规划目标时可减少短视行为，从而提升长时序任务成功率。我们进一步展示了 STAP 如何通过对任务规划器提供的技能序列估计几何可行性，用于任务与运动规划。我们在仿真与真实机器人上评估了该方法。定性结果与代码发布于 https://sites.google.com/stanford.edu/stap。
引用
@article{arxiv.2210.12250,
title = {STAP: Sequencing Task-Agnostic Policies},
author = {Christopher Agia and Toki Migimatsu and Jiajun Wu and Jeannette Bohg},
journal= {arXiv preprint arXiv:2210.12250},
year = {2023}
}
备注
Video: https://drive.google.com/file/d/1zp3qFeZLACNPsGLLP7p6q9X1tuA_PGEo/view. Project page: https://sites.google.com/stanford.edu/stap. 12 pages, 7 figures. In proceedings of the IEEE International Conference on Robotics and Automation (ICRA) 2023. The first two authors contributed equally