pddlstream

pddlstream

PDDLStream adalah kerangka perencanaan yang terdiri dari bahasa tindakan dan rangkaian algoritma untuk perencanaan Kecerdasan Buatan (AI) dengan adanya prosedur pengambilan sampel. PDDLStream memperluas Bahasa Definisi Domain Perencanaan (PDDL) dengan memperkenalkan aliran, spesifikasi deklaratif dari prosedur pengambilan sampel. Algoritme PDDLStream tidak bergantung pada domain dan menyelesaikan masalah PDDLStream hanya dengan deskripsi kotak hitam dari setiap sampler. Aplikasi motivasi PDDLStream adalah untuk robot serba guna, Task and Motion Planning (TAMP).

Cabang pddlstream default (utama) adalah "rilis" stabil terbaru dari pddlstream . Cabang pddlstream ke bawah adalah versi pddlstream terbaru dan lanjutan tetapi juga agak eksperimental.

Publikasi

• PDDLStream: Mengintegrasikan Perencana Simbolik dan Pengambil Sampel Blackbox melalui Perencanaan Adaptif Optimis

Kutipan

Caelan R. Garrett, Tomás Lozano-Pérez, Leslie P. Kaelbling. PDDLStream: Mengintegrasikan Perencana Simbolik dan Blackbox Sampler melalui Perencanaan Adaptif Optimis, Konferensi Internasional tentang Perencanaan dan Penjadwalan Otomatis (ICAPS), 2020.

Kontak

Caelan Garrett: [nama pengguna]@csail.mit.edu

Sejarah

PDDLStream adalah "versi ketiga" dari kerangka perencanaan PDDLStream/STRIPStream, yang dimaksudkan untuk menggantikan versi sebelumnya:

1. https://github.com/caelan/stripstream
2. https://github.com/caelan/ss

PDDLStream membuat beberapa perbaikan representasi dan algoritmik pada versi ini. Yang paling penting, ia mematuhi konvensi dan sintaksis PDDL bila memungkinkan dan berisi beberapa algoritma baru.

Instalasi

 $ git clone --recursive --branch main [email protected]:caelan/pddlstream.git
$ cd pddlstream
pddlstream$ git submodule update --init --recursive
pddlstream$ ./downward/build.py

Jika perlu, lihat dokumentasi FastDownward untuk petunjuk instalasi lebih rinci.

PDDLStream secara aktif mendukung python2.7 serta versi terbaru python3.

Pastikan untuk memperbarui submodul pddlstream secara rekursif saat menarik komitmen baru.

 pddlstream$ git pull --recurse-submodules

Contoh

Repositori ini berisi beberapa domain contoh PDDLStream robotik dan non-robot.

PyBullet

Instal PyBullet di OS X atau Linux menggunakan:

 $ pip install pybullet numpy scipy

Contoh:

• PR2 TAMP: pddlstream$ python -m examples.pybullet.tamp.run
• PR2 Membersihkan dan Memasak: pddlstream$ python -m examples.pybullet.pr2.run
• Turtlebot Rovers: pddlstream$ python -m examples.pybullet.turtlebot_rovers.run
• PR2 Rovers: pddlstream$ python -m examples.pybullet.pr2_rovers.run
• Perencanaan dan Eksekusi PR2: pddlstream$ python -m examples.pybullet.pr2_belief.run
• Membersihkan dan Memasak Kuka: pddlstream$ python -m examples.pybullet.kuka.run

Lihat https://github.com/caelan/pybullet-planning untuk informasi lebih lanjut tentang perpustakaan primitif perencanaan PyBullet saya.

Python TKinter

Instal numpy dan Python TKinter di Linux menggunakan:

 $ sudo apt-get install python-tk
$ pip install numpy

Contoh:

• TAMP Berkelanjutan 1D: pddlstream$ python -m examples.continuous_tamp.run
• Perencanaan Gerakan 2D: pddlstream$ python -m examples.motion.run
• TAMP Diskrit: pddlstream$ python -m examples.discrete_tamp.run
• TAMP diskrit dengan mendorong: pddlstream$ python -m examples.discrete_tamp.run

Python Murni

Contoh sederhana yang dapat dijalankan tanpa ketergantungan tambahan:

• Blocksworld: pddlstream$ python -m examples.blocksworld.run
• Blocksworld dengan Predikat Turunan: pddlstream$ python -m examples.blocksworld.run_derived
• Dapur (aliran debug): pddlstream$ python -m examples.kitchen.run

Fungsi Lanjutan

Uji kasus atau fungsionalitas tingkat lanjut (dan tidak terdokumentasi):

• Bahasa Deskripsi Tindakan (ADL): pddlstream$ python -m examples.advanced.adl.run
• Aliran yang ditangguhkan (evaluasi ditunda): pddlstream$ python -m examples.advanced.defer.run
• Aliran eksogen (pengamatan): pddlstream$ python -m examples.advanced.exogenous.run
• Aliran lancar (batasan status): pddlstream$ python -m examples.advanced.fluent.run
• Batasan kepuasan: pddlstream$ python -m examples.advanced.satisfy.run
• Aliran liar (sertifikasi ad hoc): pddlstream$ python -m examples.advanced.wild.run

Kompetisi Perencanaan Internasional (IPC)

Contoh IPC PDDL yang tidak dimodifikasi diselesaikan menggunakan penerjemah PDDLStream yang dimodifikasi:

• Penemu: pddlstream$ python -m examples.ipc.rovers.run
• Satelit: pddlstream$ python -m examples.ipc.satellites.run

Aplikasi

Proyek eksternal yang menggunakan PDDLStream:

• TAMP Daring - https://github.com/caelan/SS-Replan
• Konstruksi Otomatis - https://github.com/caelan/pb-construction
• Pembelajaran + TAMP (LTAMP) - https://github.com/caelan/LTAMP
• pirobosim - https://github.com/sea-bass/pyrobosim

Algoritma

PDDLStream adalah kerangka perencanaan yang terdiri dari satu bahasa perencanaan tetapi beberapa algoritma perencanaan. Beberapa algoritma sangat berbeda dibandingkan yang lain (misalnya Inkremental vs Terfokus) sehingga waktu perencanaan juga dapat sangat bervariasi. Algoritme Adaptif biasanya memiliki performa terbaik untuk domain dengan banyak kemungkinan jalur pengambilan sampel, seperti domain manipulasi robot.

Prosedur meta solve(...) memungkinkan pengguna untuk beralih di antara algoritma yang tersedia menggunakan argumen kata kunci algoritma={} .

Deskripsi properti:

• Metode : fungsi python yang memanggil algoritma

• Aliran yang dinegasikan : apakah algoritme mendukung pembalik aliran uji
• Aliran lancar : apakah algoritme mendukung aliran lancar yang juga mengkondisikan status lancar
• Aliran liar : apakah algoritme mendukung aliran yang juga dapat mengesahkan fakta ad hoc

adaptif

• Metode : solve_adaptive(...)
• Aliran yang dinegasikan : didukung
• Aliran lancar : didukung
• Aliran liar : didukung

Mengikat

• Metode : solve_binding(...)
• Aliran yang dinegasikan : didukung
• Aliran lancar : didukung
• Aliran liar : didukung

Terfokus

• Metode : solve_focused_original(...)
• Aliran yang dinegasikan : didukung
• Aliran lancar : didukung
• Aliran liar : didukung

tambahan

• Metode : solve_inkremental(...)
• Aliran yang dinegasikan : tidak didukung
• Aliran lancar : tidak didukung
• Aliran liar : didukung

Subrutin Pencarian

Banyak (tetapi tidak semua) algoritma pddlstream memiliki fase perencanaan terpisah yang dapat diimplementasikan menggunakan algoritma pencarian ruang keadaan terbatas, seperti Breadth-First Search (BFS) dan Uniform-Cost Search (UCS). Namun, karena pddlstream memperluas PDDL, fase perencanaan ini juga dapat diimplementasikan dengan algoritma perencanaan klasik yang canggih, yang memanfaatkan struktur bahasa tindakan yang difaktorkan seperti PDDL untuk meningkatkan efisiensi perencanaan empiris. Algoritme penelusuran heuristik terbaik pertama, yang secara otomatis memperoleh heursitik dengan cara yang tidak bergantung pada domain , adalah salah satu contoh kelas algoritme ini.

Cepat ke Bawah

pddlstream sudah dikemas sebelumnya dengan FastDownward, perpustakaan produktif yang berisi banyak algoritma perencanaan PDDL pencarian heuristik pertama terbaik. Saya telah mengonfigurasi sejumlah kecil algoritme penelusuran yang efektif dan umum di SEARCH_OPTIONS, yang dapat diubah menggunakan argumen kata kunci planner=?. Saya secara kasar mengurutkannya dari yang paling malas (biaya terendah) hingga yang paling malas (waktu proses terendah):

• Dijkstra/Uniform-Cost Search (UCS) - optimal tetapi paling lambat
• hmax A* - optimal tetapi lambat
• lmcut A* - optimal tetapi lambat
• ff bersemangat astar
• ff bersemangat {1,...,5} astar berbobot - direkomendasikan (w=2)
• ff malas {1,...,5} astar berbobot
• ff bersemangat serakah
• ff malas serakah

Durasi fase perencanaan diskrit bervariasi tergantung pada algoritma pencarian yang dipilih. Untuk banyak masalah non-permusuhan, algoritma ini akan menyelesaikan masalah secara instan atau, jika mereka tidak cukup serakah, tidak berhenti dalam waktu 10 menit. Saya sarankan memulai dengan konfigurasi yang lebih serakah dan beralih ke konfigurasi yang tidak terlalu serakah jika diinginkan.

Perencana PDDL lainnya

Algoritme perencanaan PDDL apa pun dapat digunakan sebagai pengganti FastDownward; namun, perlu diingat bahwa beberapa perencana ini hanya diterapkan untuk mendukung serangkaian fitur representasional yang terbatas (misalnya tidak ada efek kondisional, tidak ada predikat turunan, dll.), yang dapat membuat pemodelan menjadi lebih sulit dan pada akhirnya perencanaan menjadi kurang efisien dalam banyak hal nyata. -domain perencanaan dunia (non-IPC). Meskipun saya sangat merekomendasikan FastDownward, beberapa perencana PDDL yang pernah saya gunakan sebelumnya dan cukup berhasil meliputi:

Perencana Klasik

• Cepat ke Bawah
• Maju Cepat
• perencana
• Cerberus
• LAPTK
• YSHAP

Perencana Numerik:

• Metrik FF
• Rencana SMTP

Perencana Duniawi:

• FastDownward Temporal
• TPSHE

Beragam Perencana:

• Larang Iteratif
• kstar
• simbol

Sumber daya

• Pembicaraan Terkini
• Ikhtisar Terkini
• Tutorial Terbaru
• Tutorial Aliran PDDLS
• Perencanaan AI & Wiki PDDL
• Bahasa Definisi Domain Perencanaan (PDDL)
• Predikat Turunan
• Cepat ke Bawah

Pensiun

Folder "Pensiun" menunjukkan kode yang tidak lagi didukung secara terus-menerus sehingga kemungkinan besar sudah usang.

Itik jantan

Instal Drake di OS X atau Ubuntu dengan mengikuti petunjuk berikut: http://drake.mit.edu/installation.html.

Alternatifnya, instal Drake melalui buruh pelabuhan dengan mengikuti petunjuk berikut: http://manipulation.csail.mit.edu/install_drake_docker.html. Gunakan skrip docker_run_bash yang sesuai dengan tag docker drake-20181128.

Contoh:

• Perencanaan tugas dan gerak Kuka IIWA: ~/pddlstream$ python -m examples.drake.run

Contoh PDDLStream + Drake tambahan dapat ditemukan di: https://github.com/RobotLocomotion/6-881-examples.