[論文レビュー] A Long Horizon Planning Framework for Manipulating Rigid Pointcloud Objects

Anthony Simeonov, Yilun Du+5 more|arXiv (Cornell University)|Nov 16, 2020

Robotic Path Planning Algorithms被引用数 11

ひとこと要約

本論文は、事前3Dモデルが不要な剛体ポイントクラウドオブジェクトの長期間計画フレームワークを提示する。学習された部分目標予測と操作プリミティブを用いることで、効率的で一般化可能な計画が可能になる。グラフアテンションネットワークを介してポイントクラウドから直接3次元変換と接触配置を予測することで、計画の探索空間を縮小し、シミュレーションおよびYuMiロボットを用いた実世界実験において未観測オブジェクトでも高い成功率を達成した。

ABSTRACT

We present a framework for solving long-horizon planning problems involving manipulation of rigid objects that operates directly from a point-cloud observation, i.e. without prior object models. Our method plans in the space of object subgoals and frees the planner from reasoning about robot-object interaction dynamics by relying on a set of generalizable manipulation primitives. We show that for rigid bodies, this abstraction can be realized using low-level manipulation skills that maintain sticking contact with the object and represent subgoals as 3D transformations. To enable generalization to unseen objects and improve planning performance, we propose a novel way of representing subgoals for rigid-body manipulation and a graph-attention based neural network architecture for processing point-cloud inputs. We experimentally validate these choices using simulated and real-world experiments on the YuMi robot. Results demonstrate that our method can successfully manipulate new objects into target configurations requiring long-term planning. Overall, our framework realizes the best of the worlds of task-and-motion planning (TAMP) and learning-based approaches. Project website: https://anthonysimeonov.github.io/rpo-planning-framework/.

研究の動機と目的

• 事前3Dモデルが存在しない新規の未知のオブジェクトに対して、長期間のロボット操作を実現する課題に対処すること。
• 低レベルのアクションではなく、オブジェクトの部分目標という抽象空間で計画することにより、計画の計算負荷を低減すること。
• ポイントクラウド観測から直接到達可能な配置を予測するバイアス付き部分目標サンプラーを学習することで、計画の効率性と実行可能性を向上させること。
• 一元的なフレームワークを用いたエンドツーエンドの認識から計画への統合により、多様なオブジェクト形状やサイズへの一般化を可能にすること。
• タスクアンドモーションプランニング（TAMP）と学習ベース手法のギャップを埋めるために、部分目標の抽象化とデータ駆動型認識を組み合わせること。

提案手法

• フレームワークは、オブジェクトの部分目標としてSE(3)変換で表される空間で計画を実行し、低レベルのロボット-オブジェクトダイナミクスを抽象化する。
• プル、プッシュ、グラブリオリエンテーションの3つのプリミティブ操作スキルのファミリーを用い、それぞれがオブジェクトと接着接触を維持する接触ベースのアクションとしてモデル化される。
• グラフアテンションニューラルネットワークが生のポイントクラウド入力を処理し、各スキルの部分目標と接触姿勢を予測することで、オブジェクトモデルがなくても認識から行動へのマッピングを可能にする。
• 部分目標は、オブジェクトが達成すべき3次元変換として予測され、実行中にロボットが接着接触を維持すると仮定する。
• 部分目標と初期接触配置を同時に予測することで、逆運動学を用いて低レベルコントローラーを生成できる。
• 計画は反復的に進行し、1つのスキルの予測された部分目標を次のスキルの入力として用い、マルチステップ計画を形成する。

実験結果

リサーチクエスチョン

• RQ1 学習された部分目標予測に基づく計画フレームワークは、事前3Dモデルが存在しない未観測の剛体オブジェクトにも一般化可能か？
• RQ2 長期間計画タスクにおいて、部分目標予測をどのようにして効率的かつ現実可能なものにするか？
• RQ3 ヒューリスティックなサンプリングと比較して、バイアス付き部分目標サンプラーを学習することで計画の効率性はどの程度向上するか？
• RQ4 ノイズの多いセンサデータを有するデュアルアームロボット上で、実世界での実行性能はどの程度か？
• RQ5 オープンループ実行における主な失敗モードは何か、そしてそれらはどのように緩和できるか？

主な発見

• 学習されたサンプラーは、成功した計画において平均37.6回のサンプリングイテレーションを達成した。これは手動で設計されたベースラインが要する70.7回のイテレーションと比べて顕著に低い値であり、より良い実行可能性バイアスが得られたことを示している。
• 失敗した場合の両手法のサンプリング作業量は類似しており（137.7 vs. 130.1）、性能向上は探索空間の縮小ではなく、実行可能性予測の質の向上に起因していることが確認された。
• 本フレームワークは、シミュレーションおよびYuMiロボットを用いた実世界実験において、新規オブジェクトをターゲットの配置に効果的に操作した。
• 失敗モードの主な原因は、予測されたパームポーズや部分目標変換のわずかな誤差であり、これによりスリップや過剰な貫通が生じ、実行の不安定性を引き起こした。
• 本手法は、事前オブジェクトモデルが存在しない状況でも、ポイントクラウド観測にのみ依存することで、未観測オブジェクトへの強力な一般化を示した。
• 実装上では、実行誤差の処理とスキル実行中の接着接触の維持を可能にするために、ワristレベルのコンプライアンスと力トルクセンシングの導入が実用的である。