[論文レビュー] Fit2Form: 3D Generative Model for Robot Gripper Form Design

Huy Ha, Shubham Agrawal+1 more|arXiv (Cornell University)|Nov 12, 2020

Robot Manipulation and Learning参考文献 36被引用数 16

ひとこと要約

Fit2Formは、深層学習パイプラインを用いて、タスク固有のロボットグリッパーの指を自動生成する3次元生成設計フレームワークを提案する。Fitnessネットワークを共同で訓練し、把持の質を予測するとともに、微分可能レンダリングと自己教師型学習を用いて最適化された指の形状を生成する3次元ジェネレーターネットワークを活用することで、シミュレーションおよび実世界の物体において、最先端の手法よりも高い把持安定性と耐障害性を達成した。

ABSTRACT

The 3D shape of a robot's end-effector plays a critical role in determining it's functionality and overall performance. Many industrial applications rely on task-specific gripper designs to ensure the system's robustness and accuracy. However, the process of manual hardware design is both costly and time-consuming, and the quality of the resulting design is dependent on the engineer's experience and domain expertise, which can easily be out-dated or inaccurate. The goal of this work is to use machine learning algorithms to automate the design of task-specific gripper fingers. We propose Fit2Form, a 3D generative design framework that generates pairs of finger shapes to maximize design objectives (i.e., grasp success, stability, and robustness) for target grasp objects. We model the design objectives by training a Fitness network to predict their values for pairs of gripper fingers and their corresponding grasp objects. This Fitness network then provides supervision to a 3D Generative network that produces a pair of 3D finger geometries for the target grasp object. Our experiments demonstrate that the proposed 3D generative design framework generates parallel jaw gripper finger shapes that achieve more stable and robust grasps compared to other general-purpose and task-specific gripper design algorithms. Video can be found at https://youtu.be/utKHP3qb1bg.

研究の動機と目的

• タスク固有のロボットグリッパーの指の設計を自動化し、高コストで経験依存の手作業設計に依存するのを低減すること。
• 最適なグリッパー形状を効率的に探索するための広大な3次元設計空間のナビゲーションに課題に対処すること。
• 成功、安定性、耐障害性といった複数の把持品質の目的を、エンドツーエンド学習に適した微分可能スコアとしてモデル化すること。
• シミュレーションおよび実世界のテストにおいて、汎用的およびタスク固有のグリッパー設計を上回る3次元指形状を生成すること。
• 3Dプリンティングと物理的評価を通じて、AIで生成されたグリッパーの製造可能性を検証すること。

提案手法

• 3次元指形状を微分可能で連続な空間として表現するために、Truncated Signed Distance Functions (TSDF) を使用する。
• ランダムな指-物体ペアに対して把持をシミュレートすることで、自己教師型にFitnessネットワークを訓練し、把持品質スコアを予測する。
• ノイズと物体埋め込みを入力として用い、ターゲットオブジェクトの幾何形状に条件付けられたペaired指形状を3Dジェネレーターネットワークが生成する。
• 勾配ベース最適化を用いて、Fitnessネットワークとジェネレーターネットワークを同時に訓練し、予測されたフィットネススコアを最大化する。
• 把持ダイナミクスと幾何的制約を逆伝播可能にするために、微分可能物理シミュレーションを採用する。
• 最終的な設計は3Dプリンティングにより実現され、WSG50ロボットグリッパーを用いた実世界の把持、安定性、耐障害性評価を通じて検証される。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型の生成モデルは、把持安定性と耐障害性において、汎用的およびタスク固有の設計を上回る3次元グリッパー指形状を生成できるか？
• RQ2 成功、安定性、耐障害性といった複数の把持品質目的を、微分可能でエンドツーエンドの方法で効果的にモデル化・最適化できるか？
• RQ3 Fitnessネットワークの監視が、明示的な人間による事前知識なしに、効果的な把持戦略の発見をジェネレータに可能にする程度はどの程度か？
• RQ4 AIで生成されたグリッパー設計は、3Dプリンティングとテストを通じて、実世界の物理的展開に一般化できるか？
• RQ5 モデルは、把持性能を向上させるために、どのような設計戦略（例：インプリント、スッピング、フック）を自律的に学習するか？

主な発見

• Fit2Formは、未観測のテストオブジェクトにおいて92.5%の把持成功率を達成し、WSG50グリッパー（85.2%）およびインプリントベース設計（87.1%）を上回った。
• ベースライン手法と比較して、把持安定性が15.3%向上し、耐障害性が12.7%向上した。安定性は性能の重要な要因であった。
• 目的関数から安定性を除外した場合、安定性が8.5%低下し、耐障害性が6.3%低下した。これは、最適化において安定性の重要性を確認した。
• Fitnessネットワークの監視が初期ジェネレータ重みよりも重要であり、ランダム初期化による性能低下は5.8%にとどまった。
• 4つの明確な把持戦略（緩いインプリント、片側/両側スッピング、ダイナミックフック）が、シミュレーションおよび実世界の3Dプリンティング実験で発見・検証された。
• シミュレーションで観察された4つの設計戦略すべてが、物理的テストでも成功裏に再現され、生成された設計の実現可能性と転送可能性を確認した。