未知环境中零担任务的并发语义搜索和任务执行

在未知环境中规划复杂的任务需要机器人同时推理它们应该做什么以及它们仍然需要发现什么。解决 LTLf 任务的现有方法通常假设一个已知的环境，或者将对环境的探索与任务的执行分开，而语义探索方法一次寻找一个目标并忽略正在执行的任务。为了填补这一空白，我们的主要贡献是一种自适应的高级规划方法，该方法将任务驱动的语义搜索与任务的执行交织在一起，以非短视的方式推进两者。我们的方法利用了两种在线构建的表示，一个是使用视觉语言模型（VLM）构建的度量语义场景图，它提供了定位任务所指对象所需的证据，另一个是对任务进行编码的确定性有限自动机（DFA），它表明它们中的哪一个在每个任务状态下是重要的。在每个规划阶段，我们的规划器都会选择对语义搜索和任务推进最有价值的路径点，并在剩余任务阶段中对它们进行评估，以避免阻塞状态。然后，选定的航路点会在一个高级计划中排序，并在新信息到达时重新计算。在超过五种任务类型的逼真室内环境中，我们的方法比比较方法完成了更多的任务，同时必须覆盖更少的环境，并且它使用更短的路径并遵守任务施加的限制。