[論文レビュー] Human Initiated Grasp Space Exploration Algorithm for an Underactuated Robot Gripper Using Variational Autoencoder

Clément Rolinat, Mathieu Grossard+2 more|arXiv (Cornell University)|Sep 20, 2021

Robot Manipulation and Learning参考文献 21被引用数 3

ひとこと要約

本論文では、熟練者による把持構成を用いて、変分自己符号化器（VAE）を用いてコン pact な潜在空間を学習することで、不十分駆動の多指ロボットグリッパーのための、人間が介入する把持空間探索アルゴリズムを提案する。把持品質評価指標とVAEに基づく生成を組み合わせることで、高次元の把持空間を効率的に探索し、7,000回のシミュレーション試行において99.91％の把持成功率を達成した。これは、安定した把持を生成するうえで、高い頑健性と信頼性を示している。

ABSTRACT

Grasp planning and most specifically the grasp space exploration is still an open issue in robotics. This article presents an efficient procedure for exploring the grasp space of a multifingered adaptive gripper for generating reliable grasps given a known object pose. This procedure relies on a limited dataset of manually specified expert grasps, and use a mixed analytic and data-driven approach based on the use of a grasp quality metric and variational autoencoders. The performances of this method are assessed by generating grasps in simulation for three different objects. On this grasp planning task, this method reaches a grasp success rate of 99.91% on 7000 trials.

研究の動機と目的

• 不十分駆動の多指グリッパーの高次元的かつ制約のある把持空間を、計算的に効率的かつ探索する課題に対処すること。
• 指先接触や平面的把持といった任意の仮定による制限を避けながら、キネマティクスの可能性を制限せずに、把持空間の次元削減を実現すること。
• 限定的な熟練者による把持プリミティブを用いて人間の専門知識を統合し、探索をガイドし、サンプル効率を向上させること。
• データ駆動的かつアナリティカルなハイブリッド手法を構築し、把持品質指標と潜在空間生成を活用して、信頼性の高い把持計画を実現すること。

提案手法

• 本手法は、熟練者によって指定された少量の把持構成データから、低次元の潜在空間を学習するための変分自己符号化器（VAE）を用いる。
• 把持品質評価指標（QGGネットワーク）は、把持の安定性と頑健性を評価し、各構成に対して連続的なスコアを提供する。
• VAEの潜在空間から新しいグリッパー構成をサンプリングし、デコーダーが潜在ベクトルから完全な把持構成を再構成する。
• アルゴリズムは潜在空間からサンプリングを行い、把持品質の閾値を用いて構成をフィルタリングし、キネマティクス的到達可能性と衝突なし動作を検証する。
• 本手法は、人間が提供するプリミティブな把持構成の周囲に焦点を当て、探索空間を縮小しつつも、グリッパーの完全なキネマティクス的能力を保持する。
• QGGネットワークは、グリッパー構成パラメータに基づいて把持品質を予測するように学習され、VAEが滑らかで一貫性のある潜在空間サンプリングを保証する。

実験結果

リサーチクエスチョン

• RQ1 制限的な仮定に依存せずに、データ駆動的でVAEベースの手法が、不十分駆動の多指グリッパーの高次元的把持空間を効果的に探索できるか。
• RQ2 人間が提供する把持プリミティブを統合することで、把持空間探索の効率性と信頼性はどの程度向上するか。
• RQ3 熟練者の把持から学習された潜在空間は、多様な物体の姿勢や構成にどの程度一般化できるか。
• RQ4 把持品質指標の統合は、探索中に高品質な把持を選択するうえで、どの程度効果を発揮するか。

主な発見

• 本手法は7,000回のシミュレーション試行において99.91％の把持成功率を達成し、安定した把持の生成において高い信頼性を示した。
• 1回の把持あたりの衝突および到達可能性チェックの平均回数は5.8～7.6回にとどまり、潜在空間内に有効な把持が均等に分布しているため、探索が非常に効率的であることが示された。
• 平均相対的把持品質予測誤差は7.5％～15.6％であり、これは指標のノイズ範囲内に収まり、指標のばらつきに対して頑健であることを示している。
• 潜在空間表現はプリミティブな把持が均等に分布しており、VAEのKLダイバージェンス損失のおかげで安全かつ一貫性のあるサンプリングが可能であった。
• シミュレーションのノイズが存在しても、QGGネットワークは全体的な把持品質のトレンドを的確に捉えており、測定のばらつきに過剰に適合することなく、過学習を回避していた。
• 本手法は探索空間の次元を著しく削減しながらも、グリッパーの完全なキネマティクス的潜在能力を保持しており、指先接触や平面的把持に制限する手法を上回る性能を示した。