GaP: Ein Graph-als-Politik-Mehrfachagenten-Selbstlern-Harness für Variationsautomatisierungsaufgaben

Zusammenfassung

Damit Roboter in kommerziellen und industriellen Anwendungen zuverlässig arbeiten können, stellt sich die Frage, ob neuere Fortschritte bei agentischen Codierungssystemen interpretierbare Roboterprogrammierung mit der Offene-Welt-Anpassungsfähigkeit modellfreier Strategien kombinieren können. Wir konzentrieren uns auf „Variational Automation“ (VA), eine Klasse von Aufgaben, die größere Variationen in Objektgeometrie und -position aufweisen als die feste Automatisierung. Modellfreie Strategien haben oft Schwierigkeiten, die Zuverlässigkeitslücke für VA-Aufgaben zu schließen, die in kommerziellen und industriellen Anwendungen beständig und zuverlässig ausgeführt werden müssen. Motiviert durch frühere Arbeiten zur Aufgaben- und Bewegungsplanung (TAMP) und zum Robot Operating System (ROS) führen wir Graph-as-Policy (GaP) ein, eine Multi-Agenten-Codierungsplattform, die gerichtete Berechnungsgraphen mit Wahrnehmungs-, Planungs- und Steuerungsknoten aus einer modularen offenen Roboterfähigkeitsbibliothek (MORSL) erzeugt. GaP erzeugt dann eine interne Simulationsumgebung, um Aufgabeninstanzen mit verschiedenen Graphen parallel zu proben und so iterativ die Graphenstruktur und Parameter zu verfeinern, um die Erfolgsraten und den Durchsatz zu verbessern. Die Evaluierung mit 8 neuen offenen VA-Aufgaben-Benchmarks, 4 in der Simulation und 4 in der realen Welt, deutet darauf hin, dass GaP Erfolgsraten erzielen kann, die die Basislinien deutlich übertreffen. Details, Code und Daten sind online verfügbar: https://graph-robots.github.io/gap

English

For robots to work reliably in commercial and industrial applications, can recent advances in agentic coding systems combine interpretable robot programming with the open-world adaptability of model-free policies? We focus on "Variational Automation" (VA), a class of tasks that have larger variations in object geometry and pose than fixed automation. Model-free policies often struggle to close the reliability gap for VA tasks, which must be executed persistently and reliably in commercial and industrial applications. Motivated by prior work on Task and Motion Planning (TAMP) and the Robot Operating System (ROS), we introduce Graph-as-Policy (GaP), a multi-agent coding harness that generates directed computation graphs with perception, planning, and control nodes from a Modular Open Robot Skill Library (MORSL). GaP then generates an internal simulation environment to rehearse task instances with different graphs in parallel to iteratively refine the graph structure and parameters to improve success rates and throughput. Evaluation with 8 new open VA task benchmarks, 4 in-simulation and 4 in real-world, suggests that GaP can achieve success rates that significantly outperform baselines. Details, code, and data can be found online: https://graph-robots.github.io/gap