Modeles temporels et hierarchiques pour la planification et l'action en robotique

Temporal and Hierarchical Models for Planning and Acting in Robotics

• Auteur / Autrice : Arthur Bit-Monnot
• Direction : Malik Ghallab, Félix Ingrand
• Type : Thèse de doctorat
• Discipline(s) : Robotique et Informatique
• Date : Soutenance le 02/12/2016
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse ; 1968-....)
• Jury : Président / Présidente : Rachid Alami
• Jury : Examinateurs / Examinatrices : Malik Ghallab, Félix Ingrand, Joachim Hertzberg, Federico Pecora, Amedeo Cesta, David. E. Smith, Cédric Pralet
• Jury : Rapporteurs / Rapporteuses : Joachim Hertzberg, Federico Pecora

Mots clés

Mots clés contrôlés

Robotique

Planification -- Informatique

Intelligence artificielle

Mots clés libres

Intelligence Artificielle

Planification

Planification Temporelle

Planification Hiérarchique

Programmation par Contraintes

Réseaux Temporels avec Incertitude

Robotique

Artificial Intelligence

Planning

Temporal Planning

Hierarchical Planning

Constraint Programming

Temporal Constraint Networks with Uncertainty

Robotics

Résumé

Le domaine de la planification de tâches a vu de rapides développements au cours de la dernière décennie et des planificateurs sont maintenant capable de trouver des plans de centaines actions en quelques secondes. Malgré ces importants progrès, les systèmes robotiques dépendent toujours d'une architecture réactive avec peu de capacités de délibération sur les futures actions qu'il pourraient faire. Dans cette thèse, nous soutenons qu'une intégration réussie d'un planificateur avec un système robotique ne peut être réussie que si le planificateur a la capacité de raisonner sur des modèles temporels et hiérarchiques. Le temps est en en effet une ressource centrale pour énormément d'activité autonomes tandis que les aspects hiérarchiques sont critiques pour l'intégration de modules de délibération à différents niveau d'abstraction, dans lequel on reçoit une vue très abstraite d'une activité qui doit être affinée jusqu'à des commandes motrices. Comme première étape dans cette direction, nous commençons par présenter un modèle pour la planification temporelle qui unifie les approches génératives et hiérarchiques. Au centre de ce modèle sont des patrons d'actions temporelles, complétées par une spécification d'un état initial et de l'évolution attendue de l'environnement. De plus, notre modèle permet la spécification de connaissance hiérarchique sur tout ou partie du domaine. Ainsi, notre modèle généralise les approches génératives et HTN tout en supportant une représentation explicite du temps. Ensuite, nous introduisons un algorithme de planification adapté au modèle proposé. Pour supporter les caractéristiques hiérarchiques, nous étendons l'approche classique de planification en l'espace des plan, notamment utilisée dans les planificateurs basés sur les CSP, avec les notions de tâches et de décomposition. L'approche est implémentée dans FAPE (Flexible Acting and Planning Environment) conjointement avec des techniques pour l'analyse automatique de problèmes. Celles-ci sont utilisées au cours de la planification pour guider la recherche d'une solution. Nous montrons que FAPE a des performances comparables avec les meilleurs planificateurs actuels quand utilisé dans une optique de planification générative. L'ajout d'information hiérarchique permet de les surpasser en augmentant encore les performances. Nous étudions ensuite les méthodes habituellement utilisées pour raisonner sur l'incertitude temporelle en planification. Nous relâchons les suppositions classiques d'observabilité totale et proposons des techniques pour raisonner sur les observations nécessaires pour maintenir un plan exécutable. Nous montrons que les dites observations peuvent être détectées durant la planification et traitées incrémentalement en considérant les actions de perceptions appropriées. Pour finir, nous discutons de la place du système de planification proposé comme composant central pour le contrôle d'un robot. Nous démontrons que la prise en compte explicite du temps facilite le monitoring et l'exécution d'actions quand le système doit prendre en compte des événements contingents qui nécessitent d'être observés. Nous bénéficions également des représentations hiérarchiques et par contraintes qui facilitent la réparation de plan et la possibilité d'affiner un plan durant l'exécution.

The field of AI planning has seen rapid progress over the last decade and planners are now able to find plan with hundreds of actions in a matter of seconds. Despite those important progresses, robotic systems still tend to have a reactive architecture with very little deliberation on the course of the plan they might follow. In this thesis, we argue that a successful integration with a robotic system requires the planner to have capacities for both temporal and hierarchical reasoning. The former is indeed a universal resource central in many robot activities while the latter is a critical component for the integration of reasoning capabilities at different abstraction levels, typically starting with a high level view of an activity that is iteratively refined down to motion primitives. As a first step to carry out this vision, we present a model for temporal planning unifying the generative and hierarchical approaches. At the center of the model are temporal action templates, similar to those of PDDL complemented with a specification of the initial state as well as the expected evolution of the environment over time. In addition, our model allows for the specification of hierarchical knowledge possibly with a partial coverage. Consequently, our model generalizes the existing generative and HTN approaches together with an explicit time representation. In the second chapter, we introduce a planning procedure suitable for our planning model. In order to support hierarchical features, we extend the existing Partial-Order Causal Link approach used in many constraintbased planners, with the notions of task and decomposition. We implement it in FAPE (Flexible Acting and Planning Environment) together with automated problem analysis techniques used for search guidance. We show FAPE to have performance similar to state of the art temporal planners when used in a generative setting. The addition of hierarchical information leads to further performance gain and allows us to outperform traditional planners. In the third chapter, we study the usual methods used to reason on temporal uncertainty while planning. We relax the usual assumption of total observability and instead provide techniques to reason on the observations needed to maintain a plan dispatchable. We show how such needed observations can be detected at planning time and incrementally dealt with by considering the appropriate sensing actions. In a final chapter, we discuss the place of the proposed planning system as a central component for the control of a robotic actor. We demonstrate how the explicit time representation facilitates plan monitoring and action dispatching when dealing with contingent events that require observation. We take advantage of the constraint-based and hierarchical representation to facilitate both plan-repair procedures as well opportunistic plan refinement at acting time.