GaP: Многоагентный самообучающийся каркас «Граф как политика» для вариационных задач автоматизации

Аннотация

Чтобы роботы могли надежно работать в коммерческих и промышленных приложениях, могут ли недавние достижения в области агентных систем кодирования объединить интерпретируемое программирование роботов с адаптируемостью к открытому миру, свойственной политикам без моделей? Мы сосредотачиваемся на «вариационной автоматизации» (ВА) — классе задач, характеризующихся бо́льшими вариациями геометрии и положения объектов по сравнению с фиксированной автоматизацией. Политики без моделей часто не могут преодолеть разрыв в надежности для задач ВА, которые должны выполняться постоянно и надежно в коммерческих и промышленных приложениях. Основываясь на предыдущих работах по планированию задач и движений (TAMP) и операционной системе для роботов (ROS), мы представляем Graph-as-Policy (GaP) — мультиагентную среду кодирования, которая генерирует направленные вычислительные графы с узлами восприятия, планирования и управления из модульной библиотеки открытых робототехнических навыков (MORSL). Затем GaP создает внутреннюю среду моделирования для параллельной отработки экземпляров задач с различными графами, чтобы итеративно улучшать структуру и параметры графа, повышая показатели успешности и производительность. Оценка на 8 новых открытых эталонных задачах ВА (4 в симуляции и 4 в реальном мире) показывает, что GaP может достигать показателей успешности, значительно превосходящих базовые подходы. Подробности, код и данные доступны онлайн: 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