Combining high-level causal reasoning with low-level geometric reasoning and motion planning for robotic manipulation

Abstract

Üst-seviye gösterim ve nedensellik tabanlı akıl-yürütme ile alt-seviye geometrik akıl-yürütme ve hareket planlamayı kaynaştıran modüler bir mimari sunulmuştur. Bahsi geçen mimaride görev planlama ve hareket planlama arasında iki-yönlü etkileşim bulunmakta ve geometrik akıl-yürütme, nedensel akıl-yürütmenin içine yerleştirilebilmektedir. Nedensel akıl-yürütücü, hareket planlayıcıyı eniyilenmiş bir görev planı bularak yönlendirmekte; şayet görev planını sağlayan uygulanabilir bir kinematik çözüm bulunamazsa, hareket planlayıcı, planlama problemini zamana bağlı kısıtlar ekleyerek değiştirmek suretiyle yönlendirmektedir. Geometrik akıl-yürütme ise nedensel akıl-yürütücüyü uygulanabilir çözümler bulması için dış fonksiyonlar yardımıyla yönlendirmektedir. Bu yöntemin uygulanabilirliği iki örnek problem üzerinde gösterilmiştir: Genişletilmiş Hanoi kuleleri bulmacası ve iki robotun bir labirent içindeki manipülasyonu.Bu mimari kapsamında iki ana problem üzerinde yoğunlaşılmıştır: i) Üst-seviye gösterim ve nedensellik tabanlı akıl-yürütücü ile alt-seviye geometrik akıl-yürütme ve hareket planlamanın bütünleştirilmesinin sistematik bir çözümlemesi; ii) planlama mimarisinin sürekli alanlar için genellenmesi. İlk problem için, yukarıda bahsi geçen örnekler üzerinde, çeşitli seviyelerdeki bütünleştirmelerin hesaplama verimliliğini araştırılmıştır. İkinci problem için, gösterim seviyesinde, kesikli konumlar yerine sürekli alanlar kullanılarak önerilen mimari genellenmiştir. Ayrıca öne sürülen örnekleme tabanlı bir metot ile birlikte alan tabanlı bir hareket planlayıcı kullanılmıştır. Bu yolla, üst-seviye akıl-yürütme ile alan tabanlı hareket planlama bütünleştirilmiş ve geniş kapsamlı manipülasyon problemlerini ele alacak genel bir sistem sağlanmıştır.

We present a modular planning framework for manipulation tasks that combines high-level representation and causality-based reasoning with low-level geometric reasoning and motion planning. This framework features bilateral interaction between task and motion planning, and embeds geometric reasoning in causal reasoning. The causal reasoner guides the motion planner by finding an optimal task-plan; if there is no feasible kinematic solution for that task-plan then the motion planner guides the causal reasoner by modifying the planning problem with new temporal constraints. The geometric reasoner guides the causal reasoner to find feasible kinematic solutions by means of external predicates/functions. We show the applicability of this method on two sample problems: extended towers of Hanoi and multiple robot manipulation inside a maze.We focus on two main problems in this planning framework: i) a systemic analysis of various levels of integration between high-level representation and causality-based reasoning with low-level geometric reasoning and motion planning and ii) generalization of the planning framework to continuous domains. For the former, we consider various levels of integration in the two domains mentioned above, to check which level of integration achieves better performance. For the latter, we abstract configurations at the representation level by continuous regions instead of discrete positions, and introduce an incremental sampling-based method coupled to a goal region-based probabilistic path planner for extracting specific goal configurations required for generating valid plans for execution. This way, we tightly integrate high-level reasoning and region-based motion planning and provide a general framework for addressing a wide spectrum of manipulation problems.