[論文レビュー] Accurate Robotic Pouring for Serving Drinks

Yongqiang Huang, Yu Sun|arXiv (Cornell University)|Jun 21, 2019

Robot Manipulation and Learning参考文献 14被引用数 5

ひとこと要約

本稿では、力覚センサを用いた注ぎ出し量のリアルタイム制御に基づく、リアルタイムの角速度制御を用いた、再帰的ニューラルネットワーク（RNN）ベースのシステムを提示する。このシステムは、未学習の容器において5 mL未塔の誤差を達成し、ケチャップや油のような粘性の高い液体に対しても効果的に一般化され、従来の手法を上回る精度と適応性を示す。

ABSTRACT

Pouring is the second most frequently executed motion in cooking scenarios. In this work, we present our system of accurate pouring that generates the angular velocities of the source container using recurrent neural networks. We collected demonstrations of human pouring water. We made a physical system on which the velocities of the source container were generated at each time step and executed by a motor. We tested our system on pouring water from containers that are not used for training and achieved an error of as low as 4 milliliters. We also used the system to pour oil and syrup. The accuracy achieved with oil is slightly lower than but comparable with that of water.

研究の動機と目的

• 多様な容器や液体に対して、ターゲットの液体量を正確に注ぎ出すことができる、頑健で一般化可能なロボット注ぎシステムの開発。
• 注ぎ動作における非線形的かつ時間的に変化するダイナミクスの課題に対処するため、角速度生成を逐次制御問題としてモデル化する。
• 実際の力覚センサによる注ぎ出し量フィードバックを用いた、人間の注ぎ動作の教師あり学習を活用することで、既存手法を改善する。
• 訓練されていない容器や粘度が異なる液体（油、ケチャップなど）に対しての一般化を評価する。
• 制御された注ぎ作業において、人間のレベルを超える性能を示す。

提案手法

• 本システムは、リアルタイムの注ぎ出し量と容器の特徴に基づいて、角速度指令を生成するため、ピアホールLSTM（Long Short-Term Memory）ネットワークを用いる。
• 入力特徴には、ターゲット量、現在の注ぎ出し量、容器の直径、高さ、総容量が含まれ、時間ステップごとに逐次処理される。
• 水の注ぎ動作のヒューマンデモを、注ぎ出し量をリアルタイムで測定するための力覚センサを用いて記録し、284試行分の訓練データセットを構築した。
• Dynamixel MX-64モーターと力覚センサを備えた物理的ロボットシステムを構築し、RNNが生成した速度指令を実行・評価した。
• RNNは、ターゲット量と実際の注ぎ出し量の差を最小化するように学習され、モデル選定は検証性能に基づいて行われた。
• 一般化評価は、再訓練なしに同じRNNポリシーを用いて、訓練されていない容器および液体（油、ケチャップ）に対して実施した。

実験結果

リサーチクエスチョン

• RQ1 教師ありRNNポリシーは、多様な容器からの水の注ぎ出しに適切な角速度シーケンスを学習できるか？
• RQ2 訓練中に見られなかった容器に対して、システムの性能はどのように一般化されるか？
• RQ3 水とは異なる粘度を持つ液体（油、ケチャップなど）に対して、同じポリシーが高い精度を達成できるか？
• RQ4 RNNベースのシステムは、精度と適応性の面で既存手法を上回るか？
• RQ5 同じ条件下で、人間の注ぎ動作と比較して、システムの精度はどの程度か？

主な発見

• 訓練中に使用した容器（赤いコップ）からの水の注ぎ出しにおいて、平均誤差は3.71 mLであった。
• 訓練されていない5つの容器では、平均誤差は細長いボトルで4.12 mL（細長いボトル）から人型カップで12.37 mL（人型カップ）の範囲にあり、細長いボトルでは訓練時とほぼ同等の性能を示した。
• 人間被験者（40試行平均）の平均誤差10.8 mLを上回り、優れた精度を示した。
• 粘度65 cPの油を注ぎ出す際、平均誤差は4.11 mLであり、水と同等の性能を示した。
• 非常に粘性の高いケチャップ（2000 cP）を注ぎ出す際、平均誤差は15.66 mLであった。これは性能の低下を示唆するが、多くの用途において許容可能な範囲内であった。
• 訓練分布を超えて、新しい容器や液体に対しても効果的に一般化され、訓練外の状況においても頑健であることが示された。