Key points are not available for this paper at this time.
Task- und Motion-Planning (TAMP) Algorithmen können Pläne generieren, die logische und Bewegungsaspekte für Roboter kombinieren. Diese Pläne sind jedoch empfindlich gegenüber Störungen und Steuerungsfehlern. Um TAMP-Algorithmen praktikabler und robuster in der realen Welt zu machen, schlagen wir das modulare Multi-Level Replanning TAMP Framework (MMRF) vor, das bestehende TAMP-Algorithmen durch die Kombination von Echtzeit-Replanning-Komponenten erweitert. MMRF generiert einen nominalen Plan vom Ausgangszustand und rekonstruiert dann diesen nominalen Plan in Echtzeit, um Manipulationen neu anzuordnen. Nach der Anpassung auf der logischen Ebene versucht MMRF, einen neuen Bewegungsweg neu zu planen, um sicherzustellen, dass der aktualisierte Plan auf der Bewegungsebene umsetzbar ist. Schließlich haben wir mehrere Experimente in der realen Welt durchgeführt. Das Ergebnis zeigte, dass MMRF Aufgaben schnell in Szenarien mit beweglichen Hindernissen und unterschiedlichen Grad von Störungen abgeschlossen hat.
Lin et al. (Thu,) haben diese Frage untersucht.