[論文レビュー] Deep Differentiable Grasp Planner for High-DOF Grippers

Min Liu, Zherong Pan+3 more|arXiv (Cornell University)|Feb 4, 2020

Robot Manipulation and Learning参考文献 55被引用数 4

ひとこと要約

本論文は、表面メッシュから一般化された微分可能 grasping quality メトリックおよび衝突制約を定式化することで、自動微分を用いてエンドツーエンドの学習が可能な高自由度グリッパー向けの微分可能グリッピングプランナを提案する。この手法により、最小限の教師データで優れたグリッピング成功率を達成し、従来手法と比較して物理的ハードウェアでの成功率が22%向上し、Q₁メトリックも0.12ポイント向上した。

ABSTRACT

We present an end-to-end algorithm for training deep neural networks to grasp novel objects. Our algorithm builds all the essential components of a grasping system using a forward-backward automatic differentiation approach, including the forward kinematics of the gripper, the collision between the gripper and the target object, and the metric for grasp poses. In particular, we show that a generalized Q1 grasp metric is defined and differentiable for inexact grasps generated by a neural network, and the derivatives of our generalized Q1 metric can be computed from a sensitivity analysis of the induced optimization problem. We show that the derivatives of the (self-)collision terms can be efficiently computed from a watertight triangle mesh of low-quality. Altogether, our algorithm allows for the computation of grasp poses for high-DOF grippers in an unsupervised mode with no ground truth data, or it improves the results in a supervised mode using a small dataset. Our new learning algorithm significantly simplifies the data preparation for learning-based grasping systems and leads to higher qualities of learned grasps on common 3D shape datasets [7, 49, 26, 25], achieving a 22% higher success rate on physical hardware and a 0.12 higher value on the Q1 grasp quality metric.

研究の動機と目的

• 大規模な教師付きグリッピングアノテーションに依存しない学習ベースのグリッピングにおけるデータ準備を簡素化すること。
• マルチビュー深度画像のみを入力として用いて、高自由度グリッパーのためのディープニューラルネットワークをエンドツーエンドで訓練できること。
• 接触のない不正確なグリッピングに対しても有効な、微分可能なグリッピング品質メトリックの開発。
• 低品質な三角形メッシュを用いて、自己衝突および物体衝突制約の勾配を効率的に計算すること。
• 最小限のデータで、教師ありおよび教師なしの学習環境の両方において、グリッピング品質と成功率を向上させること。

提案手法

• 本手法は、マルチビュー深度画像を入力として受け取り、ResNet-50および全結合層を用いたビュー統合処理により、高自由度グリッパーの配置を直接予測するニューラルネットワークを採用する。
• 予測された配置は、物理的実行および衝突チェックのためのユークリッド空間への前向き運動学的変換が行われる。
• 接触がなくても動作するように一般化された微分可能なグリッピング品質メトリック Q₁ が定義され、最適化される。
• Q₁メトリックの勾配は、下位の最適化問題の感度解析により計算され、グリッピング品質関数を介したバックプロパゲーションが可能になる。
• 自己衝突および物体衝突制約は、密封された三角形メッシュから計算される微分可能な距離関数を用いて強制される。
• 全システムは、グリッピング品質の最大化、衝突回避、データ整合性、グリッパーと物体の近接性を組み合わせた損失関数を用いて訓練される。

実験結果

リサーチクエスチョン

• RQ1 高自由度グリッパーにおいて、接触のない不正確なグリッピングに対しても、微分可能なグリッピング品質メトリックを定義し最適化できるか？
• RQ2 表面メッシュ表現のみを用いて、自己衝突および物体衝突制約をどのように微分可能にできるか？
• RQ3 大規模な教師付きグリッピングデータを必要とせず、ディープニューラルネットワークをエンドツーエンドで高自由度グリッピングポーズを予測できるか？
• RQ4 微分可能なグリッピングプランニングは、実世界のハードウェアデプロイでどの程度グリッピング成功率および品質メトリックを向上させられるか？
• RQ5 本手法は、性能を維持または向上させながら、学習ベースのグリッピングにおけるデータ準備の複雑さを低減できるか？

主な発見

• 提案手法は、ベースライン手法と比較して、物理的ハードウェア上でのグリッピング成功率が22%向上した。
• Q₁グリッピング品質メトリックが0.12ポイント向上し、より高いグリッピング安定性と耐性を示した。
• 教師なし学習が可能となり、教師付きグリッピングデータが一切不要であるため、データ準備のオーバーヘッドが顕著に削減された。
• 微分可能なグリッピングメトリックおよび衝突制約により、効率的な勾配ベース最適化が可能となり、局所最適なグリッピングポーズが得られた。
• 低品質な三角形メッシュでも高い性能を維持でき、効率的な衝突計算が可能になった。
• 本手法は、ShapeNet や ModelNet を含む標準的な3D形状データセットで、最先端の性能を達成した。