Probabilistic Online Prediction of Robot Action Results based on Physics Simulation

Abstract

The motivation for this work is the today's abstraction gap between the high-level robot control involved in symbolic planning and the low-level, fine-grained control of mobile robot motors. To deal with the complex, changeable environments in which humans live, state-of-the-art robots need to be able to exploit common-sense knowledge (i.e. physical laws) to calculate velocity, acceleration, friction and so on. Physical prediction is typically the domain of a physics simulation, such as Gazebo.

The literature contains examples in which symbolic planning and reasoning methods are extended, such as by adding geometric or temporal extensions or by offline recording of simulated actions.

The goal of this thesis is to question how a task-planning based robot system can be improved by prediction derived from physical simulation and to provide some answers. The goal-directed approach is to integrate a realistic prediction of robot activities so as to allow these activities to be adapted before execution fails. The hypothesis, therefore, is that a system that integrates such prediction is more efficient than a comparable system that does not.

A probabilistic prediction method named "functional imagination" and a system architecture have been developed. The prediction method was integrated into a blackboard-based robot control system and a PR2 robot and Gazebo were used for its evaluation. Experiments verified that simulation is indeed accurate and close to reality. The results of three experimental scenarios in a restaurant domain supported the hypothesis that the robustness and efficiency of such a planning and execution-based system are improved by the addition of physics-based prediction.

The work concludes by summarizing its findings, limitations and possible further research directions and with a future perspective on how parallel and cloud computing will affect the field of robotics in the context of simulation.

Der Ansatz dieser Arbeit ist motiviert von der "Abstraktionslücke" zwischen heutiger symbolischer Aufgabenplanung und Motoransteuerung. Denn gerade heutige Roboter müssen sich in komplexen und sich ändernden Umgebungen zurechtfinden können. Damit sie das tun können, muss eine Verarbeitung von physikalischem Allgemeinwissen möglich sein. Die physikalische Vorhersage von Roboteraktionen ist dabei die Paradedisziplin von Physiksimulationen, wie Gazebo.

In der fachverwandten Literatur werden bereits symbolische Planung und Schlussfolgerung mit geometrischen sowie zeitlichen Komponenten, oder der Aufzeichung von offline simulierten Aktionen, erweitert.

Das Ziel dieser Arbeit ist die Beantwortung der Frage, wie ein planungs-basiertes Robotersystem sein Verhalten durch physik-basierte Vorhersage von Roboteraktionen verbessern kann. Der zielgerichtete Ansatz ist hier die Integration einer physikalisch realistischen Vorhersage um Ausführungsfehler zu verhindern. Erreicht wird das durch die Anpassung oder Veränderung des aktuellen Roboterplans und seiner Aktionen. Die Arbeitshypothese lautet deshalb, dass solch ein integriertes Vorhersagesystem Pläne effizienter ausführt als ein System ohne dieses.

Im Verlauf dieser Arbeit wurden eine probabilistische Vorhersagemethode, "Functional Imagination", und eine Systemarchitektur entwickelt. Für die praktische Evaluation wurde der PR2 Roboter und Gazebo benutzt. Die Vorhersagemethode wurde in ein Blackboard-basiertes Roboter-Kontroll-System integriert. Experimente verifizierten die Simulation als genau und sehr nahe an der Realität. Die Ergebnisse von drei experimentellen Szenarien in einer Restaurantdomäne unterstützen die Hypothese, dass die physikalische Vorhersage in Kombination mit Planungs- und Ausführungs-Komponenten einem System ohne diese Vorhersage überlegen ist, hinsichtlich Robustheit und Effizienz.

Am Ende werden die Ergebnisse, Einschränkungen und mögliche zukünftige Forschungsfelder aufgezeigt und ein kurzer Ausblick im Simulationskontext gegeben, wie verteiltes Rechnen und Cloud-Computing das Forschungsfeld der Robotik in Zukunft beeinflussen werden.