[論文レビュー] Inferring Object Properties from Incidental Contact with a Tactile-Sensing Forearm

Tapomayukh Bhattacharjee, James M. Rehg+1 more|arXiv (Cornell University)|Sep 17, 2014

Robot Manipulation and Learning参考文献 20被引用数 9

ひとこと要約

本稿では、ロボットアームの運動中に発生する偶然のタクトイル接触から、物体の性質（剛性（剛体対柔軟）や安定性（固定対可動））を推定するために、隠れマルコフモデル（HMMs）の使用を提案する。全アームのタクトイルセンシング・フォレアームから得られる低次元特徴（最大力、接触面積、接触運動）を分析することで、高い交差検証精度を達成し、新しい速度や関節剛性に対しても効果的に一般化できる。これは、運動変化に対して優れた耐性を示し、先行手法を上回る。

ABSTRACT

Abstract—Whole-arm tactile sensing enables a robot to sense properties of contact across its entire arm. By using this large sensing area, a robot has the potential to acquire useful infor-mation from incidental contact that occurs while performing a task. Within this paper, we demonstrate that data-driven methods can be used to infer mechanical properties of objects from incidental contact with a robot’s forearm. We collected data from a tactile-sensing forearm as it made contact with various objects during a simple reaching motion. We then used hidden Markov models (HMMs) to infer two object properties (rigid vs. soft and fixed vs. movable) based on low-dimensional features of time-varying tactile sensor data (maximum force, contact area, and contact motion). A key issue is the extent to which data-driven methods can generalize to robot actions that differ from those used during training. To investigate this issue, we developed an idealized mechanical model of a robot with a compliant joint making contact with an object. This model provides intuition for the classification problem. We also conducted tests in which we varied the robot arm’s velocity and joint stiffness. We found that, in contrast to our previous methods [1], multivariate HMMs achieved high cross-validation accuracy and successfully generalized what they had learned to new robot motions with distinct velocities and joint stiffnesses.

研究の動機と目的

• タスク実行中に発生する偶然の接触から、全アームのタクトイルセンシングを活用して、物体の機械的性質を推定できるようにすること。
• 訓練時に使用された運動とは異なるロボットの運動に対して、物体性質推定を一般化する課題に対処すること。
• アーム速度および関節剛性の変化に対して、データ駆動型手法の耐性を評価すること。
• 接触中のタクトイル分類問題に関して直感的な洞察を提供する機械的モデルの構築。
• 多次元HMMが、到達運動中に収集された時間変動するタクトイルセンサデータから効果的に学習・一般化できることを実証すること。

提案手法

• 到達運動中にさまざまな物体へ向かって接触する際、大面積センサアレイを備えたタクトイルセンシング・フォレアームを用いて、時間変動するタクトイルデータを収集した。
• 生のタクトイル信号から、接触ダイナミクスを表す低次元特徴（最大力、接触面積、接触運動）を抽出した。
• これらの特徴をもとに、多次元隠れマルコフモデル（HMMs）を訓練し、2つの物体の性質（剛性（剛体対柔軟）と安定性（固定対可動））を分類した。
• ロボット関節と物体の接触を簡略化した機械的モデルを構築し、分類タスクおよび接触ダイナミクスに関する物理的直感を得た。
• 一般化性能を評価するため、訓練データセットとは異なるロボットアームの速度および関節剛性で収集されたデータを用いてHMMをテストした。
• モデルの性能を評価するために交差検証を用い、運動変化にわたるホールドアウトテストデータに対する精度を測定した。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型HMMは、ロボット運動中の偶然のタクトイル接触から物体の剛性および安定性を推定できるか？
• RQ2 HMMベースの分類器は、速度や関節剛性といった新しいロボット運動パラメータにどの程度一般化できるか？
• RQ3 偶然の接触中のロボット-物体接触を簡略化した機械的モデルから、どのような物理的直感が得られるか？
• RQ4 低次元タクトイル特徴（力、面積、運動）は、物体性質の正確で一般化可能な分類にどのように寄与するか？
• RQ5 変動するロボットダイナミクスの文脈において、多次元HMMの使用は、先行手法に比べて一般化性能を向上させるか？

主な発見

• 多次元HMMは、偶然のタクトイル接触データから物体の剛性および安定性を分類するうえで、高い交差検証精度を達成した。
• HMMベースの手法は、訓練時とは異なる速度および関節剛性を持つ新しいロボット運動に対しても、効果的に一般化でき、運動変化に対して高い耐性を示した。
• 機械的モデルは、接触ダイナミクスに関する有用な物理的直感を提供し、分類タスクの設計および解釈を支援した。
• 低次元特徴（最大力、接触面積、接触運動）の使用により、複雑なタクトイル時系列データの効果的表現が可能になった。
• 本手法は、特にロボット運動パrameterの動的変化に対して、先行手法を上回る一般化能力を示した。
• 結果から、日常的なロボットタスクにおける偶然の接触が、データ駆動型モデルを用いて信頼性高く物体性質を推定するために活用可能であることが示された。