[論文レビュー] AutOTranS: an Autonomous Open World Transportation System

Brayan S. Zapata-Impata, Vikrant Shah+2 more|arXiv (Cornell University)|Oct 8, 2018

Robotic Path Planning Algorithms参考文献 13被引用数 4

ひとこと要約

AutOTranSは、構造的でない環境における新しい物体の屋外輸送を自律的に行うための移動型マニピュレーションシステムを提案する。ナビゲーション、GPDを用いた grasp 検出、およびタスクプランナを統合することで、ユーザーが定義したピック・ドロップポイントのみを用いて、ごみ袋、ごみ、工具、果物などの物体をピックアップし、輸送して設置する作業において、全体で85.7％のタスク成功率を達成した。

ABSTRACT

Tasks in outdoor open world environments are now ripe for automation with mobile manipulators. The dynamic, unstructured and unknown environments associated with such tasks -- a prime example would be collecting roadside trash -- makes them particularly challenging. In this paper we present an approach to solving the problem of picking up, transporting, and dropping off novel objects outdoors. Our solution integrates a navigation system, a grasp detection and planning system, and a custom task planner. We perform experiments that demonstrate that the system can be used to transport a wide class of novel objects (trash bags, general garbage, gardening tools and fruits) in unstructured settings outdoors with a relatively high end-to-end success rate of 85%. See it at work at: https://youtu.be/93nWXhaGEWA

研究の動機と目的

• 動的で構造的でない環境において、未知の物体を自律的に輸送する課題に対処すること。
• 事前に物体の知識がなく、環境の改変なしに、移動型ロボットがエンドツーエンドのピックアンドプレースタスクを実行できることを可能にすること。
• 初期のピック・ドロップポイントの選択を除き、人為的入力が最小限のシステムを構築すること。
• 既存のシステムが要求する既知の物体、視覚タグ、または人間の遠隔操作の制限を克服すること。
• ごみ、工具、有機物を含む多様な屋外シナリオにおいて、耐障害性を実証すること。

提案手法

• 認識および移動のため、Warthogの移動ベース、Robotiq 85グリッパーを装備したUR10アーム、Intel RealSense D415カメラ、SICK LMS511レーザースキャナを用いる。
• 「すべて収集」および「1つずつ収集」の2つの輸送戦略をサポートするカスタムタスクプランナを採用し、物体の輸送順序を管理する。
• 事前の物体モデルが不要なため、未分類の物体に対してもグリップ計画を可能にする、グリップパイプライン検出器（GPD）を用いてグリップ検出を実施する。
• 2次元レーザースキャンを用いてロボットの局所化とナビゲーションを実行し、固定カメラまたはハンドインアイカメラセットアップによる点群登録を実施する。
• 点群登録、グリップ計算、グリップ実行、ターゲットポイントへのナビゲーションの順に構成されるマルチステージプロセスを統合する。
• 事前に探索済みの領域において、ユーザーが定義したピック・ドロップ位置に自律的に経路計画を実行できるマップベースのナビゲーションシステムを採用する。

実験結果

リサーチクエスチョン

• RQ1 事前に環境モデリングを行わずに、ユーザーが定義した屋外の場所に自律的に前後移動できるか。
• RQ2 物体固有のトレーニングなしに、完全に未知の構造的でない屋外物体に対して、グリップ検出システムが効果的にグリップを特定・実行できるか。
• RQ3 実世界の屋外環境において、多様な物体タイプ（例：ごみ袋、果物、工具）を輸送するエンドツーエンドの成功率はどの程度か。
• RQ4 ナビゲーションおよびグリップ性能は、異なる物体クラスや輸送戦略によってどのように変化するか。
• RQ5 オープンワールドの屋外マニピュレーションにおける主な失敗モードは何か。また、それらはどのように緩和できるか。

主な発見

• 4つの実験的シナリオ（ごみ袋、一般ごみ、庭いじり用工具、果物）を対象に、全体で85.7％のタスク成功率を達成した。
• ナビゲーション成功率は96.1％であり、環境の変動があってもほとんどの試行でターゲットポイントに到着した。
• グリップ成功率は物体の種別によって異なり、全物体の合計で80.8％、地面の果物で90.9％、バスケットから回収する際は76.9％であった。
• 「すべて収集」戦略は「1つずつ収集」戦略を上回り、果物や工具のような物体では特に顕著な性能向上が見られた。
• 主な失敗モードは、細いハンドル（例：ごみ袋のハンドル）による弱いグリップ、および長いまたは壊れやすい物体を上げる際の物体の滑りであった。
• 1タスクあたりの実行時間の平均は118秒（最短：44秒、最長：239秒）であり、ナビゲーションが最も長時間を要し、ピック時の平均が98.18秒、ドロップ時の平均が137.86秒であった。