pddlstream
1.0.0
PDDLStream 是一個規劃框架，由動作語言和演算法套件組成，用於在有取樣程式的情況下進行人工智慧 (AI) 規劃。 PDDLStream 透過引入流、取樣過程的聲明性規格來擴展規劃域定義語言 (PDDL)。 PDDLStream 演算法是獨立於域的，並且僅透過每個採樣器的黑盒子描述來解決 PDDLStream 問題。 PDDLStream 的主要應用是通用機器人任務和運動規劃 (TAMP)。
預設pddlstream分支（主）是pddlstream的最新穩定「版本」。向下的pddlstream分支是pddlstream的最新和進階版本，但也有些實驗性。
凱蘭·R·加勒特、托馬斯·洛薩諾-佩雷斯、萊斯利·P·凱爾布林。 PDDLStream：透過樂觀自適應規劃整合符號規劃器和黑盒採樣器，自動規劃和調度國際會議 (ICAPS)，2020 年。
凱蘭·加勒特：[用戶名]@csail.mit.edu
PDDLStream 是 PDDLStream/STRIPStream 規劃框架的“第三個版本”，旨在取代先前的版本：
PDDLStream 對這些版本進行了多項表示和演算法改進。最值得注意的是，它盡可能遵守 PDDL 約定和語法，並包含多種新演算法。
$ git clone --recursive --branch main [email protected]:caelan/pddlstream.git
$ cd pddlstream
pddlstream$ git submodule update --init --recursive
pddlstream$ ./downward/build.py
如有必要，請參閱 FastDownward 的文件以取得更詳細的安裝說明。
PDDLStream 主動支援 python2.7 以及最新版本的 python3。
確保在拉取新提交時遞歸更新pddlstream的子模組。
pddlstream$ git pull --recurse-submodules
該儲存庫包含多個機器人和非機器人 PDDLStream 範例域。
使用下列命令在 OS X 或 Linux 上安裝 PyBullet：
$ pip install pybullet numpy scipy
範例：
pddlstream$ python -m examples.pybullet.tamp.runpddlstream$ python -m examples.pybullet.pr2.runpddlstream$ python -m examples.pybullet.turtlebot_rovers.runpddlstream$ python -m examples.pybullet.pr2_rovers.runpddlstream$ python -m examples.pybullet.pr2_belief.runpddlstream$ python -m examples.pybullet.kuka.run 
有關我的 PyBullet 規劃基元庫的更多信息，請參閱 https://github.com/caelan/pybullet-planning。
使用以下命令在 Linux 上安裝 numpy 和 Python TKinter：
$ sudo apt-get install python-tk
$ pip install numpy
範例：
pddlstream$ python -m examples.continuous_tamp.runpddlstream$ python -m examples.motion.runpddlstream$ python -m examples.discrete_tamp.runpddlstream$ python -m examples.discrete_tamp.run 
無需額外依賴即可運行的簡單範例：
pddlstream$ python -m examples.blocksworld.runpddlstream$ python -m examples.blocksworld.run_derivedpddlstream$ python -m examples.kitchen.run測試用例或進階（且未記錄）功能：
pddlstream$ python -m examples.advanced.adl.runpddlstream$ python -m examples.advanced.defer.runpddlstream$ python -m examples.advanced.exogenous.runpddlstream$ python -m examples.advanced.fluent.runpddlstream$ python -m examples.advanced.satisfy.runpddlstream$ python -m examples.advanced.wild.run使用 PDDLStream 的修改轉換器解決的未修改的 PDDL IPC 範例：
pddlstream$ python -m examples.ipc.rovers.runpddlstream$ python -m examples.ipc.satellites.run 使用 PDDLStream 的外部專案：
PDDLStream 是一個由單一規劃語言和多種規劃演算法組成的規劃架構。有些演算法與其他演算法完全不同（例如增量演算法與聚焦演算法），因此規劃時間也可能有很大差異。自適應演算法通常對於具有許多可能採樣路徑的領域（例如機器人操作領域）表現最佳。
元過程solve(...)允許使用者使用關鍵字參數algorithm={}在可用演算法之間切換。
屬性說明：
許多（但不是全部） pddlstream演算法都有一個離散規劃階段，可以使用任何有限狀態空間搜尋演算法來實現，例如廣度優先搜尋 (BFS) 和均勻成本搜尋 (UCS)。然而，由於pddlstream擴展了 PDDL，因此該規劃階段也可以透過最先進的經典規劃演算法來實現，該演算法利用 PDDL 等動作語言的分解結構來大幅提高經驗規劃效率。最佳優先啟發式搜尋演算法以與域無關的方式自動導出啟發式，是這些演算法的一個範例類別。
pddlstream預先打包了 FastDownward，這是一個豐富的函式庫，其中包含許多最佳優先啟發式搜尋 PDDL 規劃演算法。我在 SEARCH_OPTIONS 中預先配置了少量有效且通用的搜尋演算法，可以使用關鍵字參數 planner=? 進行切換。我粗略地按照從最不懶惰（最低成本）到最懶惰（最低運行時間）的順序對它們進行了排名：
離散規劃階段的運行時間會根據所選的搜尋演算法而變化。對於許多非對抗性問題，這些演算法要么立即解決問題，要么如果不夠貪婪，則不會在 10 分鐘內終止。我建議從一種更貪婪的配置開始，如果需要的話，可以轉向一種不那麼貪婪的配置。
任何PDDL規劃演算法都可以用來取代FastDownward；然而，需要注意的是，其中一些規劃器僅用於支援一組有限的表徵特徵（例如，沒有條件效應、沒有派生謂詞等），這可能會使建模更加困難，並最終在許多實際情況中降低規劃效率。雖然我強烈推薦 FastDownward，但我過去接觸過的一些 PDDL 規劃器並取得了一些成功，包括：
古典規劃師
數位規劃師：
時間規劃師：
多樣化的規劃者：
「退役」資料夾表示不再持續支援的程式碼，因此可能已過時。
按照以下說明在 OS X 或 Ubuntu 上安裝 Drake：http://drake.mit.edu/installation.html。
或者，請按照以下說明透過 docker 安裝 Drake：http://manipulation.csail.mit.edu/install_drake_docker.html。使用帶有 docker 標籤 drake-20181128 的適當 docker_run_bash 腳本。
範例：
~/pddlstream$ python -m examples.drake.run 
其他 PDDLStream + Drake 範例可在以下位置找到：https://github.com/RobotLocomotion/6-881-examples。
