| Resumen: | Planejadores clássicos, com ações descritas com precondições e efeitos, criam uma forma de operar em modelos puramente simbólicos para encontrar planos que alcançam os objetivos de um agente. Planos encontrados por planejadores clássicos geralmente ignoram detalhes geométricos necessários para resolver problemas de movimento, tais como pegar um objeto ou evitar passagens estreitas. Esses detalhes incluem as dimensões do robô e de objetos. Em contrapartida, planejadores de movimento consideram apenas detalhes físicos, não objetivos ou partes simbólicas do estado. Ambos planejadores simbólicos e de movimento são necessários para resolver certos problemas, mas relações entre dados simbólicos e geométricos devem ser compartilhadas para evitar replanejamento de grandes porções do espaço de busca. Para lidar com este problema, nós precisamos de um planejador simbólico-geométrico que compartilhe dados e restrinja valores possíveis conforme o planejamento avança, para minimizar uso de memória e tempo de planejamento. Diferentes algoritmos de planejamento para esse tipo de planejamento híbrido foram desenvolvidos com o objetivo de combinar planejamento simbólico e geométrico usando planejadores prontos ou novas implementações. A maior parte dos planejadores híbridos compartilha informações entre as partes usando um conjunto fixo de símbolos, os quais limitam a quantidade de informação que pode ser compartilhada. Gerando esses símbolos durante o planejamento para a parte simbólica e os relacionando com objetos externos complexos (containers, structs, instâncias) na parte geométrica é possível simplificar a descrição simbólica enquanto exploram-se estruturas complexas e funções já disponíveis por bibliotecas externas, como as usadas por simuladores.Esse trabalho traz como contribuições a definição de anexo semântico, um mecanismo para compartilhar informação entre as partes simbólica e externa/geométrica de um planejador de redes hierárquicas de tarefas (HTN), e uma tabela de símbolo para objeto para manter detalhes externos fora da parte simbólica, enquanto capaz de computar com tais objetos externos através de funções e anexos semânticos.
Classical planners, with actions described with preconditions and effects, create a way to operate on purely symbolic models in order to find plans to reach an agent’s goals. Plans found by classical planners often lack the geometric details required to solve motion problems, such as grasping an object or avoiding narrow passages. Such details include robot dimensions and object properties. Conversely, motion planners consider only physical details, not symbolic goals or parts of the state. Both symbolic and motion planners are required to solve certain problems, but relations between symbolic and geometric data must be shared to avoid replanning large portions of the search-space. In order to tackle this problem, we need a symbolic-geometric planner to share data and limit possible values as planning progresses, to minimize memory usage and planning time. Different planning algorithms for this type of hybrid planning have been developed to address the problem of combining geometric and symbolic planning by using off-the-shelf planners or new implementations. Most hybrid planners share information between the parts using a fixed set of symbols, which limits the amount of information that can be shared. By generating such symbols during planning for the symbolic part and relating them to external complex objects (containers, structs, instances) in the geometric part, it is possible to simplify the symbolic description while exploiting complex structures and functions already available in external libraries, such as the ones used by simulators. .The contributions of this work include the definition of semantic attachments, as a mechanism to share information between symbolic and external/geometrical parts for Hierarchical Task Network (HTN) planning, a symbol to object table to keep external details hidden from the symbolic part, while able to compute with external objects using functions and semantic attachments, and a precondition reordering algorithm to improve planning time. |
