GaP: Um Arnês de Autoaprendizagem Multiagente Baseado em Grafo como Política para Tarefas de Automação Variacional

Resumo

Para que robôs trabalhem de forma confiável em aplicações comerciais e industriais, será que os recentes avanços em sistemas de codificação agentivos podem combinar programação interpretável de robôs com a adaptabilidade em mundo aberto de políticas livres de modelo? Focamos na "Automação Variacional" (AV), uma classe de tarefas que apresentam maiores variações na geometria e pose dos objetos do que a automação fixa. Políticas livres de modelo frequentemente têm dificuldade em fechar a lacuna de confiabilidade para tarefas AV, que precisam ser executadas de forma persistente e confiável em aplicações comerciais e industriais. Motivados por trabalhos anteriores em Planejamento de Tarefa e Movimento (TAMP) e no Sistema Operacional de Robôs (ROS), apresentamos o Graph-as-Policy (GaP), uma estrutura de codificação multiagente que gera gráficos de computação direcionados com nós de percepção, planejamento e controle a partir de uma Biblioteca Modular Aberta de Habilidades Robóticas (MORSL). Em seguida, o GaP gera um ambiente de simulação interno para ensaiar instâncias de tarefas com diferentes gráficos em paralelo, refinando iterativamente a estrutura e os parâmetros dos gráficos para melhorar as taxas de sucesso e o vazão. A avaliação com 8 novos benchmarks abertos de tarefas AV, 4 em simulação e 4 no mundo real, sugere que o GaP pode alcançar taxas de sucesso que superam significativamente as baselines. Detalhes, código e dados podem ser encontrados online: 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