Risolutori di Vincoli Continui Basati su Diffusione Composizionale
Compositional Diffusion-Based Continuous Constraint Solvers
September 2, 2023
Autori: Zhutian Yang, Jiayuan Mao, Yilun Du, Jiajun Wu, Joshua B. Tenenbaum, Tomás Lozano-Pérez, Leslie Pack Kaelbling
cs.AI
Abstract
Questo articolo introduce un approccio per apprendere a risolvere problemi di soddisfazione di vincoli continui (CCSP) nel ragionamento e nella pianificazione robotica. I metodi precedenti si basano principalmente sulla progettazione manuale o sull'apprendimento di generatori per tipi specifici di vincoli, per poi rifiutare le assegnazioni di valori quando altri vincoli vengono violati. Al contrario, il nostro modello, il risolutore di vincoli continui a diffusione composizionale (Diffusion-CCSP), deriva soluzioni globali per i CCSP rappresentandoli come grafi fattoriali e combinando le energie di modelli di diffusione addestrati per campionare singoli tipi di vincoli. Diffusion-CCSP mostra una forte generalizzazione a nuove combinazioni di vincoli noti e può essere integrato in un pianificatore di compiti e movimenti per ideare piani a lungo termine che includono azioni con parametri sia discreti che continui. Sito del progetto: https://diffusion-ccsp.github.io/
English
This paper introduces an approach for learning to solve continuous constraint
satisfaction problems (CCSP) in robotic reasoning and planning. Previous
methods primarily rely on hand-engineering or learning generators for specific
constraint types and then rejecting the value assignments when other
constraints are violated. By contrast, our model, the compositional diffusion
continuous constraint solver (Diffusion-CCSP) derives global solutions to CCSPs
by representing them as factor graphs and combining the energies of diffusion
models trained to sample for individual constraint types. Diffusion-CCSP
exhibits strong generalization to novel combinations of known constraints, and
it can be integrated into a task and motion planner to devise long-horizon
plans that include actions with both discrete and continuous parameters.
Project site: https://diffusion-ccsp.github.io/