[論文レビュー] DoraPicker: An Autonomous Picking System for General Objects

Hao Zhang, Pinxin Long+11 more|arXiv (Cornell University)|Mar 21, 2016

Robotic Path Planning Algorithms参考文献 23被引用数 4

ひとこと要約

DoraPicker は、高度な認識、グリップ計画、および専用の三種類のグリッパー（真空グリッパー、Openhand M2、ソフトグリッパー）を用いた、一般用途の物体を倉庫環境で自律的かつ自動的にピッキング・プレースィングするロボットシステムを提示する。このシステムは、ごちゃついた現実世界の環境でも高い耐障害性を示し、多様な物体タイプにおいて高い成功率を達成しており、タスク固有の認識と産業用導入に向けたハードウェア・ソフトウェア共同設計における主な貢献を果たしている。

ABSTRACT

Robots that autonomously manipulate objects within warehouses have the potential to shorten the package delivery time and improve the efficiency of the e-commerce industry. In this paper, we present a robotic system that is capable of both picking and placing general objects in warehouse scenarios. Given a target object, the robot autonomously detects it from a shelf or a table and estimates its full 6D pose. With this pose information, the robot picks the object using its gripper, and then places it into a container or at a specified location. We describe our pick-and-place system in detail while highlighting our design principles for the warehouse settings, including the perception method that leverages knowledge about its workspace, three grippers designed to handle a large variety of different objects in terms of shape, weight and material, and grasp planning in cluttered scenarios. We also present extensive experiments to evaluate the performance of our picking system and demonstrate that the robot is competent to accomplish various tasks in warehouse settings, such as picking a target item from a tight space, grasping different objects from the shelf, and performing pick-and-place tasks on the table.

研究の動機と目的

• 構造的でない、もしくは部分的に構造化された倉庫環境において、一般物体を自律的かつ信頼性高くピッキング・プレースィングできるロボットシステムの開発。
• 現実世界の倉庫シナリオにおける多様な形状・重量・素材の物体を扱う課題への対処。
• 認識、グリップ計画、運動計画、ハードウェア設計を統合した、タスク最適化された一貫性のあるシステムへの統合。
• シェルフベースおよびテーブルトップのピッキング・プレースィングタスクを含む、複数の現実世界シナリオにおけるシステム性能の評価。
• エラー回復とハードウェア・ソフトウェア共同設計を含む、産業用導入に向けた主要な設計原則の同定。

提案手法

• システムはRGB-Dカメラとワークスペースの知識を用いて、ごちゃついたシーンにおけるターゲットオブジェクトの6次元（6D）姿勢を検出および推定する。
• タスク固有の認識パイプラインは、ワークスペースの事前知識（例：シェルフの配置、コンテナの位置）を活用し、検出精度および姿勢推定精度を向上させる。
• 三種類のカスタムグリッパー（真空グリッパー、Openhand M2、ソフトグリッパー）を用いて、広範なオブジェクトの形状・重量・素材に対応する。
• グリップ計画はグリッパーの種別に応じて適応され、運動計画が衝突のない経路を生成してオブジェクトに接近・把持する。
• モジュラーなソフトウェアアーキテクチャを採用し、認識、計画、制御、エラー回復メカニズムを統合する。
• 故障分析により、透明・反射性の高いオブジェクト、オブジェクトの隠蔽、複数オブジェクト同時ピッキングの課題が特定され、今後の改善に資する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてロボットシステムが、ごちゃついた現実世界の倉庫環境において、一般用途の物体を耐障害的に自律的ピッキングできるか？
• RQ2 ワークスペースの知識に基づくタスク固有の認識は、オブジェクト検出および6D姿勢推定精度をどのように向上させるか？
• RQ3 真空グリッパー、剛性グリッパー、ソフトグリッパーといった異なるグリッパー設計は、現実世界の多様なオブジェクトタイプにおいて、どのように性能を発揮するか？
• RQ4 信頼性の高い産業用グレードのピッキング・プレースィングシステムを設計するにあたり、どのようなハードウェア・ソフトウェアのトレードオフが生じるか？
• RQ5 自律的ピッキングにおいて一般的に発生する障害モードは何か？ また、システムの耐障害性を向上させるために、エラー回復メカニズムをどのように設計すべきか？

主な発見

• ソフトグリッパーは、テストした30個のオブジェクトのうち28個で正常に把持に成功し、多様な形状・素材への広範な適合性を示した。
• 真空グリッパーは、軽量で平らな、または不透過性の高いオブジェクト（例：紙、箱、小ぶりな容器）に対して最良の性能を発揮した。
• Openhand M2グリッパーは、安定的かつ非破壊性のアイテムに対して優れた性能を示したが、リーチと安定性に限界があるため、シェルフベースのピッキングには不適切であった。
• テーブルトップのピッキング・プレースィングタスクにおいて、システムは高い成功率を達成した。特に、不規則形状や繊細なオブジェクトの取り扱いにおいて、ソフトグリッパーが他のグリッパーを上回った。
• 故障事例には、近接した非ターゲットオブジェクトの同時にピッキング、RGB-Dによる可視性の悪さによる透明・反射性オブジェクトの認識困難が含まれた。
• 本研究は、タスク固有の認識とハードウェア・ソフトウェア共同設計が、耐障害的な産業用導入に不可欠であり、エラー回復メカニズムが信頼性の向上に不可欠であると結論づけた。