Learn2Decompose: Learning Problem Decomposition for Efficient Task and Motion Planning

我们专注于设计高效的任务和动作规划（TAMP）方法，以解决涉及多个对象的多步操作的长期操作任务。TAMP求解器通常需要指数级的规划时间，随着规划视野和环境对象数量的增加而增加。为了解决这个挑战，我们首先提出了Learn2Decompose，一种从演示中学习的方法，它学习嵌入任务规则，并将长期问题分解为几个子问题。这些子问题需要在较短的视野和较少的对象上进行规划，并且可以并行解决。然后，我们设计了一个并行化的分层TAMP框架，同时解决子问题并连接目标任务的子计划，显著提高了经典TAMP求解器的规划效率。我们提出的方法的有效性在模拟和实际实验中得到了验证。

解决问题：解决长时程操作任务中，物体数量和规划时间指数级增加的问题。

关键思路：通过学习演示，将长时程问题分解为多个子问题，缩短规划时间，并设计并行化分层TAMP框架，提高规划效率。

亮点：使用Learn2Decompose方法学习任务规则，设计并行化分层TAMP框架，实现了对多物体操作任务的高效规划。在仿真和实际环境中进行了实验，证明了方法的有效性。

相关研究：近期相关研究包括：《Learning to Manipulate Objects with Inner-Object Relations》、《Hierarchical Planning of Complex Manipulation Tasks with Object-Centric Affordances》等。