任务与运动信息树(TMIT*):几乎必然渐近最优的集成任务与运动规划
机器人学
2022-10-19 v1
摘要
高层自主需要离散与连续推理,以决定采取何种动作以及如何执行它们。集成任务与运动规划(TMP)算法联合求解这些混合问题,以考虑离散符号动作(即任务规划)与其连续几何实现(即运动规划)之间的约束。这种联合方法比独立处理任务与运动子问题的方法能求解更困难的问题。TMP算法结合并扩展了任务规划与运动规划两方面的成果。TMP主要聚焦于计算性能与完备性,而对解的最优性关注较少。最优TMP十分困难,因为子问题的独立最优解可能不是最优的集成解,后者只能通过对两种规划联合优化才能找到。本文提出任务与运动信息树(TMIT*),一种最优TMP算法,它结合了makespan最优任务规划与几乎必然渐近最优运动规划的结果。TMIT*交错进行非对称前向与反向搜索,将计算昂贵的操作推迟至必要时才执行,并直接在问题的混合状态空间中进行高效信息搜索。这使其能快速求解问题,并在额外计算时间内收敛至最优解,如所评估的机器人操作基准问题所示。
引用
@article{arxiv.2210.09367,
title = {Task and Motion Informed Trees (TMIT*): Almost-Surely Asymptotically Optimal Integrated Task and Motion Planning},
author = {Wil Thomason and Marlin P. Strub and Jonathan D. Gammell},
journal= {arXiv preprint arXiv:2210.09367},
year = {2022}
}
备注
9 pages, 5 figures. Accepted to IEEE RA-L and IROS 2022