DAG-Plan: Generating Directed Acyclic Dependency Graphs for Dual-Arm Cooperative Planning

双臂机器人相比单臂机器人具有更强的灵活性和效率，可以同时操作多个物体或使用两只手臂协同执行任务。然而，对于复杂的长期任务，有效协调两只手臂仍然是一个重大挑战。现有的任务规划方法主要集中在单臂机器人上，或依赖于预定义的双臂操作，未能充分利用双臂系统的能力。为了解决这个限制，我们引入了DAG-Plan，这是一个专门为双臂机器人量身定制的结构化任务规划框架。DAG-Plan利用大型语言模型（LLMs）将复杂的任务分解为可操作的子任务，这些子任务表示为有向无环图（DAG）中的节点。关键是，DAG-Plan根据实时环境观察动态地将这些子任务分配给适当的手臂，实现并行和适应性执行。我们在新颖的双臂厨房基准测试上评估了DAG-Plan，该测试包括9个顺序任务，78个子任务和26个物体。广泛的实验表明，与单臂任务规划基线相比，DAG-Plan的效率提高了近50％，双臂任务规划基线的成功率几乎翻了一倍，证明了DAG-Plan的优越性。

如何有效协调双臂机器人进行复杂的长期任务规划？

DAG-Plan是一个专门为双臂机器人设计的结构化任务规划框架，利用大型语言模型将复杂任务分解为可操作的子任务，并根据实时环境观察动态地将这些子任务分配给适当的手臂，实现并行和自适应执行。

在新的双臂厨房基准测试中，DAG-Plan相比于单臂任务规划基线实现了近50%的效率提升，并且几乎将双臂任务规划基线的成功率提高了一倍。

近期的相关研究包括使用强化学习进行双臂机器人任务规划的论文，如《双臂机器人的强化学习任务规划》。