Risk-aware Integrated Task and Motion Planning for Versatile Snake Robots under Localization Failures

📄 arXiv: 2502.19690v1 📥 PDF

作者: Ashkan Jasour, Guglielmo Daddi, Masafumi Endo, Tiago S. Vaquero, Michael Paton, Marlin P. Strub, Sabrina Corpino, Michel Ingham, Masahiro Ono, Rohan Thakker

分类: cs.RO, cs.AI, eess.SY

发布日期: 2025-02-27

备注: 8 pages, 9 figures. Accepted article with supplemental material for presentation at the 2025 IEEE International Conference on Robotics and Automation (ICRA)

💡 一句话要点

提出BLISS以解决蛇形机器人定位失败问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 蛇形机器人 任务规划 运动规划 定位失败 混合整数线性规划 部分可观测环境 自主决策

📋 核心要点

  1. 现有蛇形机器人在复杂环境中的定位和感知能力不足，导致其在执行任务时面临定位失败和碰撞风险。
  2. 本文提出的BLISS方法结合了本体感知与间歇性扫描，旨在增强蛇形机器人在不确定环境中的任务与运动规划能力。
  3. 实验结果显示，BLISS方法在计算效率上较现有方法有显著提升，同时在导航时间上也表现出更优的性能。

📝 摘要（中文）

蛇形机器人在极端地形和狭窄环境中具有良好的移动能力，但由于传感器与地面的接近以及视野有限，导致其感知和定位的鲁棒性仍然是一个开放性挑战。为了解决这一问题，本文提出了盲动与间歇性扫描（BLISS）方法，该方法结合了仅依赖本体感知的移动与间歇性扫描，以增强对定位失败和碰撞风险的抵御能力。BLISS被形式化为一个集成的任务与运动规划（TAMP）问题，转化为计算上不可行的机会约束混合部分可观测马尔可夫决策过程（CC-HPOMDP）。本文的创新在于将CC-HPOMDP重新表述为可解的凸混合整数线性规划，从而显著加快BLISS-TAMP的求解速度，并联合推导出最优的任务-运动规划。仿真和硬件实验表明，该方法在计算效率上较现有的POMDP规划器提升了一个数量级，并在导航时间最优性上较经典的两阶段规划器提高了超过50%。

🔬 方法详解

问题定义：本文旨在解决蛇形机器人在复杂环境中因传感器定位失败而导致的任务执行困难。现有方法在处理部分可观测环境时计算复杂度高，难以实时应用。

核心思路：BLISS方法通过结合本体感知与间歇性扫描，增强了机器人在不确定性环境中的适应能力，确保其在定位失败时仍能有效执行任务。

技术框架：整体架构包括任务规划模块和运动规划模块，任务规划模块负责生成任务目标，而运动规划模块则基于当前状态和任务目标生成运动策略。BLISS将这两个模块整合为一个统一的优化问题。

关键创新：将机会约束混合部分可观测马尔可夫决策过程（CC-HPOMDP）重新表述为凸混合整数线性规划，使得原本计算复杂度高的规划问题变得可解，从而显著提高了求解速度。

关键设计：在参数设置上，采用了适应性扫描频率和本体感知反馈机制，以优化机器人在动态环境中的反应能力。损失函数设计上，考虑了任务完成度与碰撞风险的权衡。整体网络结构则采用了模块化设计，以便于扩展和调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，BLISS方法在计算效率上较现有的POMDP规划器提升了一个数量级，同时在导航时间最优性上较经典的两阶段规划器提高了超过50%。这些结果展示了该方法在实际应用中的显著优势。

🎯 应用场景

该研究的潜在应用领域包括灾后救援、空间探测和复杂地形的自动化巡检等。通过提升蛇形机器人在不确定环境中的自主决策能力，能够有效提高其在实际应用中的效率和安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Snake robots enable mobility through extreme terrains and confined environments in terrestrial and space applications. However, robust perception and localization for snake robots remain an open challenge due to the proximity of the sensor payload to the ground coupled with a limited field of view. To address this issue, we propose Blind-motion with Intermittently Scheduled Scans (BLISS) which combines proprioception-only mobility with intermittent scans to be resilient against both localization failures and collision risks. BLISS is formulated as an integrated Task and Motion Planning (TAMP) problem that leads to a Chance-Constrained Hybrid Partially Observable Markov Decision Process (CC-HPOMDP), known to be computationally intractable due to the curse of history. Our novelty lies in reformulating CC-HPOMDP as a tractable, convex Mixed Integer Linear Program. This allows us to solve BLISS-TAMP significantly faster and jointly derive optimal task-motion plans. Simulations and hardware experiments on the EELS snake robot show our method achieves over an order of magnitude computational improvement compared to state-of-the-art POMDP planners and $>$ 50\% better navigation time optimality versus classical two-stage planners.