Technische Samenvatting: Courteous Anticipation in Persistente Gedeelde Omgevingen

Probleemstelling

Het artikel behandelt de uitdaging van langdurige taakplanning voor meerdere robots die opereren in een persistente, gedeelde omgeving. In deze setting worden robots sequentieel toegewezen aan taken uit een vooraf vastgestelde reeks, waarbij de eindtoestand van één taak de begintoestand van de volgende wordt.

Standaard taakplanners zijn "myopisch" (kortzichtig), omdat ze zich uitsluitend richten op het minimaliseren van de onmiddellijke kosten om de huidige taak te voltooien zonder vooruitziendheid. Dit leidt tot "egoïstisch" gedrag waarbij een robot de omgeving achterlaat in een eindtoestand die de uitvoeringskosten voor toekomstige taken van zichzelf of andere robots verhoogt. De auteurs stellen vast dat in omgevingen waar robots verschillende capaciteiten hebben (bijv. hoogte, hittebestendigheid, gespecialiseerde gereedschappen) en verschillende verantwoordelijkheden, deze negatieve neveneffecten in de loop van de tijd cumulatief worden. Een robot kan een object op een locatie plaatsen die ontoegankelijk is voor een collega, of in een staat die een collega niet kan oplossen, wat later in de sequentie leidt tot kostbare interventies (zoals "help"-acties) of omwegen.

Bestaande methoden voor anticiperende planning [11]–[13] verbeteren de myopische planning door rekening te houden met de eigen toekomstige taken van een robot, maar blijven "egoïstisch" in multi-robot contexten, omdat ze er geen rekening mee houden hoe de huidige acties de beperkingen en capaciteiten van andere agenten beïnvloeden.

Methodologie: Courteous Anticipatory Planning

De auteurs stellen Courteous Anticipatory Planning voor, een modelgebaseerde aanpak die plannen selecteert door gezamenlijk de onmiddellijke kosten van de huidige taak en de geaggregeerde verwachte toekomstige kosten voor alle robots die de omgeving delen, te minimaliseren.

1. Doelfunctie

In tegenstelling tot standaard single-robot anticiperende planning die $V_{sg}(s_0) + \sum P(\tau')V_{\tau'}(s_g)$ minimaliseert (Eq. 2), aggregeert de voorgestelde doelstelling (Eq. 3) de anticiperende kosten van alle robots $R$:
$$s^*_g = \arg\min_{s'_g \in G_\tau} \left[ V^*_{s'_g}(s_0) + \sum_{r \in R} V^r_{A.P.}(s'_g) \right]$$
Hier vertegenwoordigt $V^r_{A.P.}(s'_g)$ de verwachte kosten voor robot $r$ om een daaropvolgende taak te voltooien die afkomstig is uit zijn specifieke verantwoordelijkheden, uitgaande van de terminaltoestand $s'_g$ van het huidige plan.

2. Gefactoreerde Formulering en Estimators

Het direct berekenen van de gezamenlijke verwachte toekomstige kosten vereist het enumereren van alle mogelijke toekomstige taaksequenties voor alle robots, een combinatorische ruimte die computationeel onhaalbaar is. Om dit op te lossen, decomponeren de auteurs het probleem in onafhankelijke per-robot estimators:

• Learning-Augmented Estimation: Voor elke robot $r$ wordt onafhankelijk een Graph Neural Network (GNN) getraind om $V^r_{A.P.}(s'_g)$ te schatten.
• Trainingsdata: De GNN's worden offline getraind met data gegenereerd door taken uit de verantwoordelijkheidsverdeling van een robot op te lossen met een standaard planner (FastDownward met FF-A*). De input is een ijle (sparse) scene graph die de omgevingsstatus representeert.
• Modulariteit: Omdat de estimators onafhankelijk worden getraind op de structurele beperkingen en verantwoordelijkheden van een enkele robot, vereist het toevoegen van een nieuwe robot aan het systeem alleen het trainen van de specifieke estimator voor die robot. Het hertrainen van bestaande estimators of gezamenlijke rollouts is niet nodig.

3. Planningsalgoritme

De planner (Algoritme 1) werkt als volgt:

1. Kandidaatgeneratie: Met behulp van een "focused sampling" procedure genereert de planner een diverse set kandidaatplannen die aan de huidige taak voldoen. Dit houdt in dat taken worden uitgebreid met plaatsingspredicaten om structureel verschillende plannen te creëren (bijv. een vuile kom op een aanrecht versus in een gootsteen plaatsen).
2. Kostenevaluatie: Voor elk kandidaatplan raadpleegt de planner alle per-robot GNN estimators om de verwachte toekomstige kosten te verkrijgen.
3. Selectie: Het plan met de minimale som van de onmiddellijke kosten en de geaggregeerde toekomstige kosten wordt geselecteerd.

Belangrijkste Bijdragen

1. Identificatie van een Planningsobstakel: Het artikel benadrukt dat de afwezigheid van "courtesy" (beleefdheid/hofelijkheid) in standaard taakplanning negatieve neveneffecten creëert die de cumulatieve kosten in persistente gedeelde omgevingen verhogen, een probleem dat wordt verergerd door heterogene robotcapaciteiten.
2. Courteous Anticipation Framework: De introductie van een planningsdoelstelling die de onmiddellijke kosten plus de geaggregeerde verwachte toekomstige kosten voor alle agenten minimaliseert. Dit wordt bereikt via een gefactoreerde formulering met behulp van onafhankelijke per-robot estimators, waardoor de onhaalbaarheid van gezamenlijke rollouts wordt vermeden.
3. Modulaire Implementatie: De aanpak ondersteunt modulaire implementatie waarbij het toevoegen of verwijderen van robots alleen het trainen van de specifieke estimator voor die robot vereist, zonder het systeem opnieuw te trainen.
4. Evaluatie in Complexe Domeinen: De auteurs evalueren de methode in twee PDDL-gebaseerde domeinen:
   • Home Environment: Twee robots met vergelijkbare capaciteiten maar verschillende verantwoordelijkheden.
   • Restaurant Environment: Drie robots met onderscheidende fysieke capaciteiten (bijv. een lange, hittebestendige kok, een serveerder en een schoonmaker) en verschillende verantwoordelijkheden.

Experimentele Resultaten

De methode werd geëvalueerd over langdurige taaksequenties (20 taken in de home-setting; 10 taken per robot in de restaurant-setting) tegenover twee baselines:

• Myopic: Klassieke planning (FastDownward) die enkel de onmiddellijke kosten minimaliseert.
• Selfish Anticipatory: Planning die alleen de toekomstige taken van de actieve robot overweegt.

Kwantitatieve Verbeteringen:

• Home Environment (2 robots): Courteous planning verminderde de totale kosten met 10,43% vergeleken met Myopic en met 4,03% vergeleken met Selfish Anticipatory planning.
• Restaurant Environment (3 robots): Courteous planning verminderde de totale kosten met 17,41% vergeleken met Myopic en met 13,24% vergeleken met Selfish Anticipatory planning.
• Validatie van Modulariteit: Estimators getraind in 2-robot settings werden succesvol hergebruikt in 3-robot settings zonder hertraining, wat de plug-and-play aard van de aanpak bevestigt.
• Proactiviteit: In een scenario waarin een "Cleaner" robot een tijdsbudget kreeg om te handelen tijdens downtime (zonder een expliciete taak), maakte de courteous aanpak het mogelijk voor de robot om proactief af te wassen, wat de totale systeemkosten met 31,4% verminderde vergeleken met een baseline waarbij de stationaire robot geen actie ondernam.

Betekenis en Claims

Het artikel claimt dat courteous anticipation essentieel is voor effectieve sequentiële taakplanning in gedeelde omgevingen. De auteurs stellen dat standaard planning in deze contexten faalt omdat het de "fysieke beperkingen" en "verantwoordelijkheden" van andere agenten negeert.

De significantie van het werk ligt in het aantonen dat:

1. Heterogeniteit de Waarde Vergroot: De voordelen van courteous planning worden aanzienlijk vergroot wanneer robots over verschillende capaciteiten beschikken (bijv. de restaurant-setting), aangezien de acties van de ene robot de bekwaamheid van een ander direct kunnen faciliteren of blokkeren.
2. Schaalbaarheid via Factoring: Door de gezamenlijke kosteninschatting te factoren in onafhankelijke per-robot modellen, blijft de aanpak computationeel hanteerbaar en schaalbaar, waardoor de onhaalbaarheid van gezamenlijke policy learning of uitputtende rollouts wordt vermeden.
3. Gedragsverandering: De aanpak induceert gedrag waarbij robots actief rekening houden met de downstream impact van hun acties op hun collega's (bijv. een vuile pan op een kar plaatsen die toegankelijk is voor een schoonmaker in plaats van op een fornuis dat voor hen ontoegankelijk is), wat de noodzaak voor kostbare "help"-interventies vermindert.

De auteurs erkennen beperkingen en merken op dat het huidige framework uitgaat van sequentiële taakinstroom en nog geen gelijktijdige uitvoering (concurrent execution) of realtime omgevingsveranderingen veroorzaakt door andere agenten afhandelt. Toekomstig werk wordt voorgesteld om dit uit te breiden naar concurrente settings.