Transformational Planning for Autonomous Household Robots using Libraries of Robust and Flexible Plans
Armin Müller · 2008
One of the oldest dreams of Artificial Intelligence is the realization of autonomous robots that achieve a level of problem-solving competency comparable to humans.Human problem-solving capabilities are particularly impressive in the context of everyday activities such as performing household chores: people are able to deal with ambiguous and incomplete information, they adapt their plans to different environments and specific situations achieving intuitively almost optimal behavior, they cope with interruptions and failures and manage multiple interfering jobs.The investigations presented in this work make substantial progress in the direction of building robots that show similar behavior.This thesis addresses the problem of competently accomplishing everyday manipulation activities, such as setting the table and preparing meals, as a plan-based control problem.In plan-based control, robots do not only execute their programs but also reason about and modify them.We propose TRANER (Transformational Planner) as a suitable planning system for the optimization of everyday manipulation activities.TRANER realizes planning through a generate-test cycle in which plan revision rules propose alternative plans and new plans are simulated in order to test and evaluate them.The unique features of TRANER are that it can realize very general and abstract plan revisions such as "stack objects before carrying them instead of handling them one by one" and that it successfully operates on plans in a way that they generate reliable, flexible, and efficient robot behavior in realistic simulations.The key contributions of this dissertation are threefold.First, it extends the plan representation to support the specification of robust and transformable plans.Second, it proposes a library of general and flexible plans for a household robot, using the extended plan representation.Third, it establishes a powerful, yet intuitive syntax for transformation rules together with a set of general transformation rules for optimizing pick-and-place tasks in an everyday setting using the rule language.The viability and strength of the approach is empirically demonstrated in comprehensive and extensive experiments in a simulation environment with realistically simulated action and sensing mechanisms.The experiments show that transformational planning is necessary to tailor the robot's activities and that it is capable of substantially improving the robot's performance.Zusammenfassung Einer der ältesten Träume der Künstlichen Intelligenz ist die Konstruktion von autonomen Robotern, deren Problemlösefähigkeit vergleichbar zu der von Menschen ist.Menschliche Problemlösefähigkeiten sind besonders beeindruckend im Zusammenhang von alltäglichen Aktivitäten wie Hausarbeit: Menschen können mit mehrdeutigen und unvollständigen Informationen umgehen, sie passen ihre Pläne verschiedenen Umgebungen und spezifischen Situationen an, sodass sie intuitiv fast optimales Verhalten zeigen.Sie kommen mit Unterbrechungen und Fehlern zurecht und bewältigen mehrere, sich gegenseitig beeinflussende Aufgaben.Die Untersuchungen, die in dieser Arbeit vorgestellt werden, stellen einen substantiellen Fortschritt in die Richtung dar Roboter mit ähnlichem Verhalten zu bauen.Diese Arbeit beschäftigt sich mit der Frage, wie alltägliche Manipulationsaufgaben wie Tischdecken und Kochen als planbasierte Kontrollprobleme gelöst werden können.Bei der planbasierten Kontrolle führen Roboter ihre Programme nicht nur aus, sondern sie stellen auch Schlussfolgerungen darüber an und modifizieren sie.Wir schlagen TRANER (Transformationsplaner) als geeignetes Planungssystem zur Optimierung von alltäglichen Manipulationsaufgaben vor.TRANER plant innerhalb eines Zyklus von abwechselndem Generieren und Testen, bei dem Planrevisionsregeln alternative Pläne erzeugen und neue Pläne zum Zwecke des Testens und Evaluierens simuliert werden.Die einzigartigen Merkmale von TRANER sind, dass es sehr allgemeine und abstrakte Planrevisionen behandeln kann wie beispielsweise "staple Objekte vor dem Tragen anstatt sie einzeln zu manipulieren" und dass es Pläne erfolgreich so modifiziert, dass zuverlässiges, flexibles und effizientes Roboterverhalten in einer realistischen Simulation hervorgerufen wird.Diese Dissertation beinhaltet drei Hauptbeiträge.Erstens erweitert sie die Planrepräsentation sodass sie die Spezifikation von robusten und transformierbaren Plänen unterstützt.Zweitens schlägt sie eine Bibliothek von allgemeinen und flexiblen Plänen für Haushaltsroboter vor, bei der die erweiterte Planrepräsentation zum Einsatz kommt.Drittens führt sie eine mächtige und gleichzeitig intuitive Syntax für Transformationsregeln ein, zusammen mit einer Menge von allgemeinen Transformationregeln zur Optimierung von Manipulationsaufgaben in Alltagssituationen.Die Realisierbarkeit und Stärke unseres Ansatzes wird empirisch in aufwendigen und umfassenden Experimenten dargelegt, die in einer simulierten Umgebung mit realistisch simulierten Aktionen und Wahrnehmungsmechanismen durchgeführt wurden.Die Experimente zeigen, dass Transformationsplanen notwendig ist um Roboteraktivitäten anzupassen und dass es eine substantielle Verbesserung der Leistung des Roboters ermöglicht.