论文
GaP：用于变分自动化任务的图即策略多智能体自学习工具
GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variational Automation Tasks
摘要
为了让机器人在商业和工业应用中可靠地工作，代理编码系统的最新进展能否将可解释的机器人编程与无模型策略的开放世界适应性结合起来？我们专注于“变量自动化”（VA），这是一类在对象几何形状和姿势上比固定自动化具有更大变化的任务。无模型策略通常很难缩小 VA 任务的可靠性差距，这些任务必须在商业和工业应用中持续可靠地执行。受任务和运动规划 (TAMP) 和机器人操作系统 (ROS) 先前工作的推动，我们引入了图即策略 (GaP)，这是一种多智能体编码工具，可从模块化开放机器人技能库 (MORSL) 中生成具有感知、规划和控制节点的定向计算图。然后，GaP 生成一个内部模拟环境，以并行演练具有不同图的任务实例，以迭代地细化图结构和参数，以提高成功率和吞吐量。使用 8 个新的开放 VA 任务基准（其中 4 个是模拟的，4 个是现实世界中的）进行的评估表明，GaP 可以实现显着优于基准的成功率。详细信息、代码和数据可以在线找到：https://graph-robots.github.io/gap