[論文レビュー] Estimation and Exploitation of Objects' Inertial Parameters in Robotic Grasping and Manipulation: A Survey

Nikos Mavrakis, Rustam Stolkin|arXiv (Cornell University)|Nov 11, 2019

Robot Manipulation and Learning参考文献 98被引用数 54

ひとこと要約

本調査は、ロボットの把持および操作における物体の慣性パラメータ（質量、重心、慣性テンソル）を推定・活用する手法を包括的に分類する。視覚的、探索的、固定物体に基づく推定手法の3つに分類し、慣性パラメータの知識が把持計画、操作制御、二腕連携にどのように寄与するかを示している。主な貢献は、ロボティクス分野における手法の統合的分析と応用マッピングである。

ABSTRACT

Inertial parameters characterise an object's motion under applied forces, and can provide strong priors for planning and control of robotic actions to manipulate the object. However, these parameters are not available a-priori in situations where a robot encounters new objects. In this paper, we describe and categorise the ways that a robot can identify an object's inertial parameters. We also discuss grasping and manipulation methods in which knowledge of inertial parameters is exploited in various ways. We begin with a discussion of literature which investigates how humans estimate the inertial parameters of objects, to provide background and motivation for this area of robotics research. We frame our discussion of the robotics literature in terms of three categories of estimation methods, according to the amount of interaction with the object: purely visual, exploratory, and fixed-object. Each category is analysed and discussed. To demonstrate the usefulness of inertial estimation research, we describe a number of grasping and manipulation applications that make use of the inertial parameters of objects. The aim of the paper is to thoroughly review and categorise existing work in an important, but under-explored, area of robotics research, present its background and applications, and suggest future directions. Note that this paper does not examine methods of identification of the robot's inertial parameters, but rather the identification of inertial parameters of other objects which the robot is tasked with manipulating.

研究の動機と目的

• ロボティクス分野における物体の慣性パラメータ推定手法を体系的に分類すること。
• 視覚的、探索的、固定物体ベースの推定技術の長所と短所を分析すること。
• 慣性パラメータがロボットの把持および操作性能を向上させる上で果たす重要な役割を示すこと。
• 現在の研究におけるギャップを特定し、データ駆動型とモデルベース推定を統合する将来の方向性を提案すること。

提案手法

• ロボットと物体の相互作用に基づき、慣性パラメータ推定を3つのカテゴリに分類：視覚的（幾何学的特徴と事前知識を使用）、探索的（押す・傾けるなどの能動的相互作用）、固定物体（しっかり把持または固定して測定）。
• 運動学的・動力学的方程式を用いて、測定された力、モーメント、運動から慣性パラメータを推定するモデルベース手法をレビュー。
• 機械学習を含むデータ駆動型アプローチを検討し、特に1回の押し込みによる推定など、不適切に定義された状況での推定精度の向上を図る。
• 深度センサ、力・トルクセンサ、音声フィードバックなどのセンシングモダリティを分析し、慣性パラメータ推定に必要なデータ取得における役割を検証。
• インハンドマニピュレーション、ビンピッキング、二腕連携などの具体的なロボット応用に推定手法をマッピング。
• 閉ループ動力学モデルやトルクベース計画における慣性パラメータの統合を強調。

実験結果

リサーチクエスチョン

• RQ1 人間はどのように慣性パラメータを知覚し、それをどのように利用しているのか。ロボティクスはこれに何を学べるか。
• RQ2 ロボットにおける慣性パラメータ推定の3つの主要なカテゴリとは何か。相互作用のレベルと環境適合性において、それぞれどのように異なるか。
• RQ3 慣性パラメータは、ロボットの把持および操作タスクの性能をどのように向上させるか。
• RQ4 現在の推定手法の主な制限要因は何か。特に3次元慣性テンソルの完全な推定において顕著である。
• RQ5 将来の手法は、視覚的事前知識、探索的行動、データ駆動型学習をどのように統合することで、最小限の相互作用からの3次元慣性推定の不適切な定式化問題を解決できるか。

主な発見

• 視覚的手法は、密度分布が既知であるという強い仮定のもとで、すべての慣性パラメータを推定可能であり、事前知識がある産業環境に適している。
• 探索的手法は、未知の環境でも自律的慣性推定を可能にするが、多軸運動がなければ3次元慣性テンソルを正確に推定できないことが多く、精度に制限がある。
• 固定物体手法は、力・トルクセンサを用いてしっかり把持または固定した状態で測定を行うため、高い精度を達成でき、制御された産業環境に最適である。
• 慣性パラメータは、正確な動力学モデル化とトルク予測を可能にすることで、把持安定性、再把持、インハンドマニピュレーションの向上に顕著に寄与する。
• ビンピッキング、二腕マニピュレーション、プッシュベースの再配置といった応用は、効果的なタスク実行のため、正確な慣性パラメータに強く依存している。
• 視覚的事前知識と探索的行動、またはデータ駆動型手法を組み合わせることで、最小限の相互作用からの3次元慣性推定の不適切な定式化問題を解決する有望な道筋が得られる。