GaP: Un marco de autoaprendizaje multiagente que emplea grafos como política para tareas de automatización variacional

Resumen

Para que los robots funcionen de manera fiable en aplicaciones comerciales e industriales, ¿pueden los avances recientes en sistemas de codificación agentivos combinar la programación interpretable de robots con la adaptabilidad al mundo abierto de las políticas libres de modelo? Nos centramos en la "Automatización Variacional" (VA, por sus siglas en inglés), una clase de tareas que presentan mayores variaciones en la geometría y pose de los objetos que la automatización fija. Las políticas libres de modelo a menudo tienen dificultades para cerrar la brecha de fiabilidad en las tareas VA, que deben ejecutarse de manera persistente y fiable en aplicaciones comerciales e industriales. Motivados por trabajos previos sobre Planificación de Tareas y Movimientos (TAMP) y el Sistema Operativo de Robots (ROS), presentamos Graph-as-Policy (GaP), un arnés de codificación multiagente que genera gráficos de computación dirigidos con nodos de percepción, planificación y control a partir de una Biblioteca Modular Abierta de Habilidades Robotizadas (MORSL). GaP genera entonces un entorno de simulación interna para ensayar instancias de tareas con diferentes gráficos en paralelo, refinando iterativamente la estructura y los parámetros del gráfico para mejorar las tasas de éxito y el rendimiento. La evaluación con 8 nuevos puntos de referencia de tareas VA abiertas (4 en simulación y 4 en el mundo real) sugiere que GaP puede alcanzar tasas de éxito que superan significativamente a las líneas base. Los detalles, el código y los datos se pueden encontrar en línea: 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