[論文レビュー] Experimental Force-Torque Dataset for Robot Learning of Multi-Shape Insertion

Giovanni De Magistris, Asim Munawar+4 more|arXiv (Cornell University)|Jul 18, 2018

Robot Manipulation and Learning参考文献 7被引用数 6

ひとこと要約

本論文では、UR5ロボットと6軸F/Tセンサを用いて収集された、複数形状のピンインホール挿入タスクのための公開済みの実験的力・トルクデータセットを提示する。このデータセットは、学習ベースの制御および形状認識を可能にし、形状認識で81.01%の正確性を達成するとともに、F/Tセンサのフィードバックのみを用いてロボット挿入タスクで100%の成功率を達成した。これは、接触の過渡的ダイナミクスが整列に重要であることを示している。

ABSTRACT

The accurate modeling of real-world systems and physical interactions is a common challenge towards the resolution of robotics tasks. Machine learning approaches have demonstrated significant results in the modeling of complex systems (e.g., articulated robot structures, cable stretch, fluid dynamics), or to learn robotics tasks (e.g., grasping, reaching) from raw sensor measurements without explicit programming, using reinforcement learning. However, a common bottleneck in machine learning techniques resides in the availability of suitable data. While many vision-based datasets have been released in the recent years, ones involving physical interactions, of particular interest for the robotic community, have been scarcer. In this paper, we present a public dataset on peg-in-hole insertion tasks containing force-torque and pose information for multiple variations of convex-shaped pegs. We demonstrate how this dataset can be used to train a robot to insert polyhedral pegs into holes using only 6-axis force/torque sensor measurements as inputs, as well as other tasks involving contact such as shape recognition.

研究の動機と目的

• ロボット分野における物理的相互作用データセットの不足、特にピンインホール挿入のような接触が重要なタスクにおいて、実世界のデータの不足を解消すること。
• 視覚や明示的なプログラミングを用いずに、力・トルクセンサのデータのみを用いて、挿入ポリシーと形状認識を学習可能な機械学習アプローチを可能にすること。
• ピン形状の制御された変異（3〜200辺形の多角形）と正確なポーズ/力測定を備えたベンチマークデータセットを提供すること。
• 神経ネットワークを実際のF/Tデータ上で学習させ、明示的なプログラミングなしに実ロボットに展開可能であることを実証すること。
• 将来の研究における転移学習、シミュレーションから実世界への転送、不確実性下での頑健な挿入を支援すること。

提案手法

• UR5ロボットにRobotiq FT-150センサを装着し、制御されたピンインホール作業中に100 Hzで力・トルクおよびポーズデータを収集した。
• 正多角形の面を持つ多面体ピン（n = 3, 4, 5, 6, 200）とそれに一致する形状の穴を用い、把持に起因する誤差を排除するために正確な手動アライメントを実施した。
• 位置および穴に対する相対的な姿勢を含む11次元の状態ベクトル（Fx, Fy, Fz, Mx, My, Mz, Px, Py, Pz, Az, t, およびカウンタ（cont））を記録した。
• スライディングウインドウ入力を用い、パラメータd=50ms, l=200ms, u=1000msとして、力・トルクおよびポーズの系列に基づいて挿入行動を分類するためのマルチレイヤーパーセプトロン（MLP）を適用した。
• 過渡状態と定常状態の両フェーズを別々に学習させ、タスク成功に必要な情報が含まれるダイナミクスの段階を分析した。
• 予測された行動に基づく力・運動指令を用いて、実際のUR5ロボットで学習済みポリシーを検証した。その結果、100%の成功率を達成した。

実験結果

リサーチクエスチョン

• RQ1 視覚や明示的なプログラミングを用いずに、力・トルクセンサのデータのみで、複数形状のピンインホール挿入を成功させることが可能か？
• RQ2 接触相互作用のどの段階—過渡状態か定常状態か—が整列と挿入に最も有益な信号を提供するか？
• RQ3 ピンの幾何学的形状（辺の数）が、接触ダイナミクスの検出可能性およびタスクパフォーマンスにどのように影響するか？
• RQ4 F/Tフィードバックのみを用いて、学習済みポリシーが異なるピン形状に一般化できる範囲はどの程度か？
• RQ5 同じデータセットを用いて、接触ダイナミクスに基づく形状認識のためのモデルを学習可能か？

主な発見

• MLPを用いた形状認識において、F/Tデータで81.01%の正確性を達成した。性能はピンの辺の数が増えるにつれて向上した。
• T1タスク（整列）において、定常状態接触フェーズのデータを用い、1000msのウインドウで72.47%の最高正確性を達成した。
• T2タスク（整列）において、過渡状態データのみを用い、50msステップサイズおよび200msウインドウで61.39%の最高正確性を達成した。
• 過渡状態フェーズはT2に、定常状態フェーズはT1に、それぞれより重要な情報を含むことが示され、タスクに応じたダイナミクスの重要性が明らかになった。
• 入力にFzおよびMzを含めないことで、T1で最高の正確性（70.57%）が達成された。これは、FzおよびMzが意思決定にあまり寄与しないことを示している。
• 学習済みポリシーは、平均7.5回の行動を経て、2mmのオフセットから出発し、F/Tフィードバックのみを用いて実ロボット挿入実験で100%の成功率を達成した。