Planning from operational models for deliberate acting in Robotics
Planification à partir de modèles opérationnels pour l'action délibérée en robotique
Résumé
Recent technological developments in the field of robotics and artificial intelligence could enable the use of robots in many areas of our lives.Applications range from Industry 4.0, which aims to optimize various processes using fleets of autonomous agents, to search and rescue operations, without forgetting personal assistance robots. As the complexity of robotic platforms increases, deliberation algorithms need to be improved, in particular to handle an increasing number of agents, to manage complex goals and tasks, and to evolve in more open environments where unforeseen events should be dealt with autonomously. The level of autonomy of an agent depends on five major deliberation functions: planning, deliberate acting, monitoring, learning, and observing. Here we focus on the planning function, which tells the agent what to do to accomplish its missions, and deliberate acting, which adapts the agent's behavior to the context of execution, making it more robust to cont! ingencies and hazards. In particular, we study the interaction between planning and deliberate acting. Although they are almost always used together, approaches in the literature tend to consider them separately, which limits their interaction. In this thesis, we propose a unified approach to planning and acting, in which both systems are in symbiosis to improve each other's performance.
We present the Operational Model Acting and Planning System (OMPAS), a refinement based acting engine that executes multiple high-level tasks in parallel by refining them into a set of lower-level tasks and commands. OMPAS uses a custom Lisp dialect (SOMPAS) to define the behavior of the robotic agent. SOMPAS provides primitives for handling concurrency and resources, and, thanks to the restricted core language and the explicit identification of acting decisions, allows the automatic synthesis of planning models. The engine takes advantage of a temporal and hierarchical planner that uses the synthesized models to look ahead and guide the decisions of the acting system.
The planner is used in a continuous fashion, i.e., it plans concurrently with the execution of tasks and always adapts to the current state of execution to improve the expected decisions. These informed decisions should avoid deadlocks and opportunistically optimize the completion of multiple parallel tasks. We provide an evaluation of the overall approach on several robotics domains. In particular, OMPAS was used to control a fleet of robots in a simulated logistics platform. The results showed the ability of the system to handle several concurrent tasks thanks to its dedicated resource management system. In addition, continuous planning improves the total time to complete all tasks of a mission. Since planning is integrated into the core of the framework, no additional effort is required from the robot programmer to take advantage of this feature.
Les récents développements technologiques dans le domaine de la robotique et de l'intelligence artificielle pourraient permettre l'utilisation de robots dans de nombreux domaines de notre vie. Les applications vont de l'industrie 4.0, qui vise à optimiser divers processus à l'aide de flottes d'agents autonomes, aux opérations de recherche et de sauvetage, sans oublier les robots d'assistance personnelle. À mesure que la complexité des plateformes robotiques augmente, les algorithmes de délibération doivent être améliorés, notamment pour gérer un nombre croissant d'agents, pour gérer des objectifs et des tâches complexes, et pour évoluer dans des environnements plus ouverts où les événements imprévus doivent être traités de manière autonome. Le niveau d'autonomie d'un agent dépend de cinq grandes fonctions de délibération : la planification, l'action délibérée, la surveillance, l'apprentissage et l'observation. Nous nous concentrons ici sur la ! fonction de planification, qui indique à l'agent ce qu'il doit faire pour accomplir ses missions, et sur la fonction d'action délibérée, qui adapte le comportement de l'agent au contexte d'exécution, ce qui le rend plus robuste face aux imprévus et aux aléas. Nous étudions en particulier l'interaction entre la planification et l'action délibérée. Bien qu'elles soient presque toujours utilisées ensemble, les approches dans la littérature ont tendance à les considérer séparément, ce qui limite leur interaction. Dans cette thèse, nous proposons une approche unifiée de la planification et de l'action, dans laquelle les deux systèmes sont en symbiose pour améliorer leurs performances respectives.
Nous présentons le système OMPAS (Operational Model Acting and Planning System), un moteur d'action basé sur le raffinement qui exécute plusieurs tâches de haut niveau en parallèle en les raffinant en un ensemble de tâches et de commandes de niveau inférieur. OMPAS utilise un dialecte Lisp personnalisé (SOMPAS) pour définir le comportement de l'agent robotique. SOMPAS fournit des primitives pour gérer la concurrence et les ressources et, grâce au langage de base restreint et à l'identification explicite des décisions d'action, permet la synthèse automatique des modèles de planification. Le moteur tire parti d'un planificateur temporel et hiérarchique qui utilise les modèles synthétisés pour anticiper et guider les décisions du système agissant. Le planificateur est utilisé de manière continue, c'est-à-dire qu'il planifie en même temps que l'exécution des tâches et s'adapte toujours à l'état actuel de l'exécution pour améliorer les décision! s attendues. Ces décisions éclairées devraient permettre d'éviter les blocages et d'optimiser de manière opportuniste l'achèvement de multiples tâches parallèles.
Nous fournissons une évaluation de l'approche globale sur plusieurs domaines de la robotique. En particulier, OMPAS a été utilisé pour contrôler une flotte de robots dans une plateforme logistique simulée. Les résultats ont montré la capacité du système à gérer plusieurs tâches simultanées grâce à son système de gestion des ressources dédié. En outre, la planification continue améliore le temps total nécessaire à l'accomplissement de toutes les tâches d'une mission. La planification étant intégrée au cœur du système, aucun effort supplémentaire n'est requis de la part du programmeur du robot pour tirer parti de cette fonctionnalité.
Origine : Fichiers produits par l'(les) auteur(s)