GaP: Een graf-als-beleid multi-agent zelflerend harnas voor variationele automatiseringstaken

Samenvatting

Opdat robots betrouwbaar kunnen werken in commerciële en industriële toepassingen, kunnen recente ontwikkelingen in agentische coderingssystemen dan interpreteerbare robotprogrammering combineren met het aanpassingsvermogen aan open werelden van modelvrije beleidsvormen? We richten ons op "Variationele Automatisering" (VA), een klasse van taken die grotere variaties in objectgeometrie en pose vertonen dan vaste automatisering. Modelvrije beleidsvormen slagen er vaak niet in de betrouwbaarheidskloof voor VA-taken te dichten, die in commerciële en industriële toepassingen aanhoudend en betrouwbaar moeten worden uitgevoerd. Geïnspireerd door eerder werk over Taak- en Bewegingsplanning (TAMP) en het Robot Besturingssysteem (ROS), introduceren we Graph-as-Policy (GaP), een multi-agent coderingsharnas dat gerichte berekeningsgrafieken genereert met perceptie-, planning- en controlenodes uit een Modulaire Open Robotvaardighedenbibliotheek (MORSL). GaP genereert vervolgens een interne simulatieomgeving om taakinstanties met verschillende grafieken parallel te oefenen, om iteratief de grafiekstructuur en parameters te verfijnen, wat leidt tot hogere slagingspercentages en doorvoer. Evaluatie met 8 nieuwe open VA-taakbenchmarks, 4 in simulatie en 4 in de echte wereld, suggereert dat GaP slagingspercentages kan behalen die significant beter zijn dan de basislijnen. Details, code en gegevens zijn online te vinden: 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