[論文レビュー] A Billion Ways to Grasp: An Evaluation of Grasp Sampling Schemes on a Dense, Physics-based Grasp Data Set

Clemens Eppner, Arsalan Mousavian+1 more|arXiv (Cornell University)|Dec 11, 2019

Robot Manipulation and Learning被引用数 15

ひとこと要約

本稿は、21個のYCBオブジェクトにわたる10億を超える平行ジョイントグリップの高密度で物理ベースのデータセットを用いて、グリップサンプリング方式の評価を行う。SE(3)において高分解能で離散化されたこのデータセットは、一般的に用いられるサンプリング戦略（特にアンチポーラルおよびアプローチベースの方法）に顕著なバイアスが存在することを明らかにした。特にエッジや小さな特徴周辺の重要なグリップ配置を逃す傾向があることが示され、6自由度グリップ学習における一般化性を高めるために、より均一または耐性カバレッジに配慮したサンプリングが推奨される。

ABSTRACT

Robot grasping is often formulated as a learning problem. With the increasing speed and quality of physics simulations, generating large-scale grasping data sets that feed learning algorithms is becoming more and more popular. An often overlooked question is how to generate the grasps that make up these data sets. In this paper, we review, classify, and compare different grasp sampling strategies. Our evaluation is based on a fine-grained discretization of SE(3) and uses physics-based simulation to evaluate the quality and robustness of the corresponding parallel-jaw grasps. Specifically, we consider more than 1 billion grasps for each of the 21 objects from the YCB data set. This dense data set lets us evaluate existing sampling schemes w.r.t. their bias and efficiency. Our experiments show that some popular sampling schemes contain significant bias and do not cover all possible ways an object can be grasped.

研究の動機と目的

• 合成グリップデータセット生成に用いられる一般的なグリップサンプリング方式のバイアスおよびカバレッジを定量化すること。
• 21個のYCBオブジェクトの高分解能で物理シミュレートされたグリップの真値データセットを構築し、サンプリング戦略の評価のベンチマークとする。
• 効率性と耐性の両立を考慮しつつ、可能なグリップの全空間を最もよくカバーするサンプリングヒューリスティクスを同定すること。
• バイアスを最小限に抑え、カバレッジを最大化するサンプリング方式を推奨することで、将来の6自由度グリップ学習のためのデータ生成を支援すること。

提案手法

• 各オブジェクトについて、SE(3)を5 mmの並進分解能および7.5°の回転分解能で高密度に離散化し、10億を超えるグリップポーズを生成した。
• 各グリップポーズを物理シミュレータ（FleX）で評価し、安定性および力閉じ込めの観点からグリップ成功を判定した。
• 得られたデータセットには、すべてのサンプリングされたポーズに対する真値のグリップ品質アノテーションが含まれており、バイアスおよびカバレッジの実証的評価が可能になった。
• グリップカバレッジ、精度、耐性といった指標を用いて、サンプリング方式を比較し、バイアスと効率性のトレードオフを特定した。
• 耐性のあるグリップは、摂動に対する安定性に基づいて定義され、カバレッジは全グリップおよび耐性グリップのサブセットの両方で評価された。
• 成功したシミュレートされたグリップを実ロボットシステムに転送することで、シミュレーションの忠実性を検証した。

実験結果

リサーチクエスチョン

• RQ1 異なるグリップサンプリング方式は、特定のオブジェクトについて可能なグリップ空間全体のどの程度をカバーしているか。
• RQ2 アンチポーラルやアプローチベースのサンプリングといった一般的に用いられるヒューリスティクスは、どの程度の系統的バイアスを生じるか。
• RQ3 どのサンプリング戦略が、合理的なサンプル効率を維持しつつも、最高のグリップカバレッジを達成するか。
• RQ4 サンプルされたグリップの精度は、そのカバレッジおよび耐性とどの程度相関しているか。
• RQ5 高密度なサンプリングを施した物理シミュレーションデータセットは、現実世界のグリップ学習の信頼できる代理として機能できるか。

主な発見

• アンチポーラル(π/6)サンプリング方式は最高の精度（0.49 ± 0.28）を達成したが、強いバイアスを示し、特にエッジや小さな特徴を含むグリップでは最大30％の成功グリップを漏らしていた。
• 一様サンプリングは最も広いカバレッジを示したが、最も低い効率性（26% ± 0.15）を示し、サンプル対成功の比が著しく低いことが判明した。
• アプローチ(0,π)サンプリングは、耐性グリップにおいて最高の漸近的カバレッジを達成し、サンプル数が増加するにつれて他の方式を上回った。
• アンチポーラル(π/6)方式は、ポットド・ミート・キャンのリムグリップや、ボウルやハサミのエッジ指向グリップといった、重要なグリップ配置を欠いていた。
• アプローチ(0,π)方式は耐性グリップカバレッジにおいて最も効果的であり、タスク条件付きまたは安全を重視するグリッピングに適していると考えられる。
• 本研究は、シミュレーションベースのグリップデータが実ロボットに成功裏に転送可能であることを確認しており、物理シミュレーションの忠実性を裏付けた。