A Backward-Forward Planning Algorithm for Robot Reactivity in Dynamic Environments

In modern industrial scenarios, robots may face dynamic and unpredictable environments where a blended acting and planning approach is paramount for successful task execution. The presence of external agents can induce unexpected changes in the scene state, causing plan failures thus necessitating frequent re-planning, often associated with extended periods of robot idle times. Traditional Task Planners, optimized for static environments, struggle to accommodate exogenous events that invalidate planned actions’ preconditions, requiring high computational times to search for optimal solutions even in contexts where reaction speed is more critical than plan quality. This work proposes a novel replanning strategy focused on quickly restoring the feasibility of an originally optimal plan through the generation of a Recovery Plan that prioritizes reactivity over optimality. The strategy integrates Behavior Trees for modular and reactive task execution and Learning from Demonstration techniques for Skills acquisition, enabling rapid detection and response to environmental changes, thus reducing downtime. A hybrid Backward-Forward chaining algorithm identifies potential solutions from the robot’s learned Skills database and integrates them into the Recovery Plan to reestablish the failed starting plan’s feasibility. Experimental results demonstrate significant reductions in downtime and computational effort, in comparison to traditional Task Planners, enhancing robots’ responsiveness and operational efficiency in dynamic industrial settings.

In moderni scenari industriali, i robot possono trovarsi ad affrontare ambienti dinamici e imprevedibili dove è cruciale un approccio combinato di azione e pianificazione per l’esecuzione corretta del Task. La presenza di agenti esterni può indurre cambiamenti inaspettati nello stato della scena, causando fallimenti nell’esecuzione del piano e rendendo necessario un frequente replanning, spesso associato a lunghi periodi di inattività del robot. I Task Planners tradizionali, ottimizzati per ambienti statici, faticano ad adattarsi agli eventi esogeni che invalidano le precondizioni delle azioni pianificate, richiedendo elevati tempi computazionali per la ricerca di soluzioni ottimali anche in contesti in cui la velocità di reazione è più critica della qualità del piano. Questa tesi propone una nuova strategia di replanning focalizzata sul rapido ripristino della eseguibilità di un piano originariamente ottimale mediante la generazione di un Recovery Plan che dia priorità alla reattività rispetto all’ottimalità. La strategia integra Behavior Trees per una esecuzione modulare e reattiva del Task e tecniche di Apprendimento per Dimostrazione per l’acquisizione delle Skills, consentendo una rapida individuazione e risposta ai cambiamenti della scena e riducendo i tempi morti. Un algoritmo di Backward-Forward chaining ibrido identifica soluzioni potenziali dal database di Skills apprese dal robot e le integra nel Recovery Plan per ristabilire la fattibilità del piano di partenza fallito. I risultati sperimentali mostrano riduzioni significative dei tempi morti e dello sforzo computazionale rispetto ai Task Planners tradizionali, migliorando la reattività dei robot e l’efficienza operativa in ambienti industriali dinamici.