[論文レビュー] Dex-Net 3.0: Computing Robust Robot Suction Grasp Targets in Point Clouds using a New Analytic Model and Deep Learning

Jeffrey Mahler, Matthew Matl+4 more|arXiv (Cornell University)|Sep 19, 2017

Robot Manipulation and Learning参考文献 27被引用数 53

ひとこと要約

本論文では、280万点の点群にラベル付けされた吸引グリップの頑健性を備えたDex-Net 3.0というデータセットと、GQ-CNNと組み合わせた新しい解析モデルを提案する。実物の試行では、基本的物体で98%、一般的な物体で82%、悪質な物体で58%の成功率を達成し、悪質な物体のみで学習した場合に81%まで向上する。

ABSTRACT

Vacuum-based end effectors are widely used in industry and are often preferred over parallel-jaw and multifinger grippers due to their ability to lift objects with a single point of contact. Suction grasp planners often target planar surfaces on point clouds near the estimated centroid of an object. In this paper, we propose a compliant suction contact model that computes the quality of the seal between the suction cup and local target surface and a measure of the ability of the suction grasp to resist an external gravity wrench. To characterize grasps, we estimate robustness to perturbations in end-effector and object pose, material properties, and external wrenches. We analyze grasps across 1,500 3D object models to generate Dex-Net 3.0, a dataset of 2.8 million point clouds, suction grasps, and grasp robustness labels. We use Dex-Net 3.0 to train a Grasp Quality Convolutional Neural Network (GQ-CNN) to classify robust suction targets in point clouds containing a single object. We evaluate the resulting system in 350 physical trials on an ABB YuMi fitted with a pneumatic suction gripper. When evaluated on novel objects that we categorize as Basic (prismatic or cylindrical), Typical (more complex geometry), and Adversarial (with few available suction-grasp points) Dex-Net 3.0 achieves success rates of 98$\%$, 82$\%$, and 58$\%$ respectively, improving to 81$\%$ in the latter case when the training set includes only adversarial objects. Code, datasets, and supplemental material can be found at this http URL .

研究の動機と目的

• ロボット操作を目的とした3次元点群における吸引グリップ品質の予測のための頑健な手法の開発。
• 特に平面的またはアクセス可能な表面が少ないような多様な形状の物体に対して、信頼できる吸引グリップのターゲットを特定する課題に対処すること。
• 学習および評価のための、280万点の点群とグリップの頑健性ラベルを備えた大規模かつ高品質なデータセットの作成。
• 専用のトレーニング制度と改善されたグリップ品質予測モデルを通じて、複雑で悪質な物体への一般化を向上させること。

提案手法

• 局所的な表面幾何学的特徴と吸引カップの変形に基づき、シールの品質と外部のねじり力に対する抵抗性を推定するための、適合性のある吸引接触モデルを導入する。
• エンドエフェクタの姿勢、物体の姿勢、材料特性、外部力の摂動に対するグリップの頑健性を定量化する。
• 単一の物体の点群から直接頑健な吸引グリップのターゲットを分類するため、Dex-Net 3.0でトレーニングされたグリップ品質畳み込みニューラルネットワーク（GQ-CNN）を採用する。
• Dex-Net 3.0データセットは、1,500体の3次元物体モデルから構築され、シミュレーションを用いて合成された点群とグリップの頑健性ラベルが生成された。
• 接触力学とねじり力の抵抗性をシミュレートする解析モデルを用いて、頑健性指標を計算する。
• 本システムは、空気圧吸引グリッパーを装備したABB YuMiロボットを用いて、3つの物体カテゴリで合計350回の実世界試行で評価された。

実験結果

リサーチクエスチョン

• RQ1 物理ベースのモデルは、点群における吸引グリップ品質の予測をどのように向上させるか？
• RQ2 トレーニングデータの構成が、挑戦的な物体カテゴリへの一般化に与える影響は何か？
• RQ3 提案されたGQ-CNNは、実世界の設定において、新規の複雑で悪質な物体幾何形状に対してどのように性能を発揮するか？
• RQ4 解析モデリングとディープラーニングを統合することで、グリップの頑健性予測をどの程度向上できるか？
• RQ5 平面的またはアクセス可能な表面が限られた物体では、どの程度の成功率が達成可能か？

主な発見

• 実物の試行では、基本的物体（角柱または円筒形）で98%の成功率を達成した。
• より複雑な幾何形状を有する一般的な物体では成功率が82%に低下したが、中程度の挑戦的形状に対しても強力な性能を示した。
• 可能な吸引グリップのポイントが少ない悪質な物体では成功率が58%であったが、トレーニングデータを悪質な物体のみに制限した場合、81%まで向上した。
• 悪質な物体のみで微調整した場合の向上は、データ構成が困難なケースへの一般化に顕著な影響を及ぼすことを示している。
• 新しい解析的グリップモデルとGQ-CNNの組み合わせにより、多様な物体カテゴリにわたり高精度なグリップ予測が可能になった。