Task and motion planning using physics-based reasoning
PulseAugur coverage of Task and motion planning using physics-based reasoning — every cluster mentioning Task and motion planning using physics-based reasoning across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的TAMP系统自动生成宏算子，加速规划
研究人员开发了一个新的任务与运动规划（TAMP）系统，解决了创建符号算子中的瓶颈问题。该系统自动生成“宏算子”，即复合动作，将重复出现的个体动作序列压缩为单个规划步骤。这种方法显著加快了规划速度，甚至能够解决以前无法处理的复杂、长序列任务。此外，该系统还会修剪未使用的谓词，进一步优化规划过程中的符号状态评估。
-
新的TASP方法将多样化的机器人技能整合到复杂任务中
研究人员开发了一种名为任务与技能规划（TASP）的新型机器人分层规划方法。该方法将包括学习到的、力控制的和黑盒策略在内的多样化、预先存在的技能整合到一个单一的规划框架中。该方法使用可组合交互原语（CIPs）来连接这些技能，从而实现规划时细化和执行时调整。TASP已在真实的双臂和移动机械人上成功演示，使其能够解决复杂的、长周期的任务。
-
研究发现：大型语言模型在机器人规划方面难以超越工程化系统
一项新发表在arXiv上的研究，探讨了将大型语言模型（LLMs）与任务与运动规划（TAMP）相结合用于机器人技术。研究人员开发了16种算法，用LLMs替换关键的TAMP组件，并在三个领域进行了13,750次零样本实验。研究结果表明，与传统的工程化系统相比，基于LLM的规划器通常成功率较低且规划时间更长。具体而言，提供几何细节比纯粹的PDDL描述导致更多的任务规划错误，并且在大多数场景下，直接的LLM方法优于基于推理的LLM变体。