CABTO: 로봇 조작을 위한 상황 인지 행동 트리 기반 제어

CABTO: Context-Aware Behavior Tree Grounding for Robot Manipulation

행동 트리(BT)는 모듈화되고 반응적인 로봇 제어 시스템을 설계하는 강력한 패러다임을 제공합니다. BT 계획은 신뢰할 수 있는 BT를 자동으로 생성하는 데 대한 이론적 보장을 제공하는 새로운 분야입니다. 그러나 BT 계획은 일반적으로 잘 설계된 BT 시스템이 이미 구축되어 있다는 전제를 기반으로 합니다. 즉, 고수준 액션 모델과 저수준 제어 정책을 포함하며, 이는 종종 광범위한 전문 지식과 수동적인 노력을 필요로 합니다. 본 논문에서는 BT 근본화 문제를 형식적으로 정의합니다. 이는 완전하고 일관된 BT 시스템을 자동으로 구축하는 문제입니다. 우리는 이 문제의 복잡성을 분석하고, 상황 인지 행동 트리 근본화(CABTO)라는 첫 번째 프레임워크를 소개합니다. CABTO는 사전 학습된 대규모 모델(LM)을 활용하여 액션 모델과 제어 정책의 공간을 휴리스틱하게 탐색하며, BT 계획기와 환경 관찰로부터 얻은 상황 정보를 기반으로 합니다. 세 가지 서로 다른 로봇 조작 시나리오에 걸쳐 7개의 작업 세트에 대한 실험 결과는 CABTO가 완전하고 일관된 행동 트리 시스템을 생성하는 데 있어 효과적이고 효율적임을 보여줍니다.

Behavior Trees (BTs) offer a powerful paradigm for designing modular and reactive robot controllers. BT planning, an emerging field, provides theoretical guarantees for the automated generation of reliable BTs. However, BT planning typically assumes that a well-designed BT system is already grounded -- comprising high-level action models and low-level control policies -- which often requires extensive expert knowledge and manual effort. In this paper, we formalize the BT Grounding problem: the automated construction of a complete and consistent BT system. We analyze its complexity and introduce CABTO (Context-Aware Behavior Tree grOunding), the first framework to efficiently solve this challenge. CABTO leverages pre-trained Large Models (LMs) to heuristically search the space of action models and control policies, guided by contextual feedback from BT planners and environmental observations. Experiments spanning seven task sets across three distinct robotic manipulation scenarios demonstrate CABTO's effectiveness and efficiency in generating complete and consistent behavior tree systems.