Factored Task and Motion Planning with Combined Optimization, Sampling and Learning

本论文旨在从三个互补的角度提高TAMP算法的性能。首先，我们研究了离散任务规划与连续轨迹优化的整合。我们的主要贡献是一个基于冲突的求解器，可以自动发现考虑物理世界约束时任务计划可能失败的原因。然后将这些信息反馈给任务规划器，从而实现任务和运动之间高效、双向、直观的界面，能够解决多个对象、机器人和严格物理约束的TAMP问题。在第二部分中，我们首先说明，在TAMP中的任务和环境范围如此广泛，因此在所有情况下，无论是采样还是优化都没有优越性。为了结合两种方法的优点，我们设计了TAMP的元求解器，自适应求解器可以自动选择要使用的算法和计算方式，以及如何最好地分解每个问题，以更快地找到解决方案。在第三部分中，我们将深度学习架构与基于模型的推理相结合，加速我们的TAMP求解器中的计算。具体而言，我们针对不可行性检测和非线性优化，专注于泛化、准确性、计算时间和数据效率。我们的贡献核心是TAMP内轨迹优化问题的精细、分解表示。这种结构不仅有助于更高效的规划、几何不可行性编码和元推理，而且在神经架构中提供更好的泛化能力。

本论文旨在从三个互补的角度改进TAMP算法的性能。具体而言，研究离散任务规划与连续轨迹优化的集成、元求解器的设计和使用深度学习加速TAMP求解器的计算。

本论文的关键思路是设计了一种基于冲突的求解器，可以自动发现考虑物理世界约束时任务计划可能失败的原因，并将这些信息反馈到任务规划器中，从而实现任务与运动之间高效、双向和直观的接口，解决具有多个物体、机器人和严格物理约束的TAMP问题。

本论文的亮点包括：设计了元求解器，自适应地选择算法和计算方式，以更快地找到解决方案；将深度学习架构与基于模型的推理相结合，加速了TAMP求解器的计算；提出了更精细的轨迹优化问题的因式分解表示，这种结构不仅有助于更高效的规划、几何不可行性的编码和元推理，还提供了更好的神经架构的泛化能力。

最近在这个领域中，还有一些相关的研究，例如：《TAMP: Task and Motion Planning》、《Integrated Task and Motion Planning for Mobile Manipulation》、《A Comprehensive Survey of Deep Learning for Robot Manipulation: From Perception to Control》等。