[論文レビュー] Initial Experiments on Learning-Based Randomized Bin-Picking Allowing Finger Contact with Neighboring Objects

Kensuke Harada, Weiwei Wan+4 more|arXiv (Cornell University)|Jul 11, 2016

Robot Manipulation and Learning参考文献 10被引用数 3

ひとこと要約

本稿では、周囲の物体の視覚的点群データを用いてディスクリミネータを学習させ、把持成功を予測することで、隣接物体との指の接触を許容する学習ベースのランダム化されたボックスピッキング手法を提案する。線形SVMおよびランダムフォレスト分類器を用いることで、学習された接触配置を活用し、従来の衝突回避アプローチよりも高い耐性を発揮する。予測された失敗を除外することで、成功確率が著しく向上し、最大100%に達する。

ABSTRACT

This paper proposes a novel method for randomized bin-picking based on learning. When a two-fingered gripper tries to pick an object from the pile, a finger often contacts a neighboring object. Even if a finger contacts a neighboring object, the target object will be successfully picked depending on the configuration of neighboring objects. In our proposed method, we use the visual information on neighboring objects to train the discriminator. Corresponding to a grasping posture of an object, the discriminator predicts whether or not the pick will be successful even if a finger contacts a neighboring object. We examine two learning algorithms, the linear support vector machine (SVM) and the random forest (RF) approaches. By using both methods, we demonstrate that the picking success rate is significantly higher than with conventional methods without learning.

研究の動機と目的

• 衝突を避けることが難しい状況下で、指が隣接物体に接触する場合でも、ランダム化されたボックスピッキングの成功確率を向上させること。
• 従来手法が衝突のない把持ポーズを必要とすることによる制限を克服し、妥当な解が得られない場合が多い問題に対処すること。
• 周囲の物体の視覚的特徴と接触配置に基づいて、把持成功を予測する学習ベースのディスクリミネータを開発すること。
• 線形SVMとランダムフォレストといった異なる学習アルゴリズムが、接触状態下での把持成功予測においてどのように性能を発揮するかを評価すること。
• 正確な部品供給や手動での配置に依存しない、産業現場での実用的で耐性のあるボックスピッキングを実現すること。

提案手法

• 2本指のロボットグリッパーが、ランダムに積み重ねられた物体に対してランダム化されたボックスピッキングを実行し、到達段階で隣接物体との接触を許容する。
• 物体の山の視覚的点群データを取得し、周囲の物体の空間的分布を表す特徴を抽出する。
• 線形SVMまたはランダムフォレストを用いて、指が隣接物体に接触しても把持が成功するかどうかを分類するディスクリミネータを学習する。
• ディスクリミネータは、点群分布から得られる高次元特徴ベクトルを用い、複雑な接触配置をモデル化する。
• 逆運動学と衝突チェックを用いて把持ポーズを生成・フィルタリングし、ディスクリミネータを用いて事前に妥当で成功確率の高いポーズをスクリーニングする。
• 候補ポーズのデータベースから、訓練済みディスクリミネータが成功と予測したポーズを優先して選択する。

実験結果

リサーチクエスチョン

• RQ1 指がボックスピッキング中に隣接物体に接触しても、学習ベースのディスクリミネータが成功した把持を予測できるか？
• RQ2 接触状態下での把持成功予測において、線形SVMとランダムフォレストといった異なる学習アルゴリズムは、どのように性能を発揮するか？
• RQ3 高次元特徴ベクトルを用いることで、ごみごみとした環境下での把持成功予測の正確性が向上するか？
• RQ4 提案手法は、従来の衝突回避計画手法と比較して、どの程度ピッキング成功確率を向上させられるか？
• RQ5 予測された失敗ケースを除外することで、たとえ試行回数が減少しても、システム全体の信頼性を向上させられるか？

主な発見

• ランダムフォレストベースのディスクリミネータは、予測された失敗を除外した場合に92.9%の成功率を達成し、従来手法を著しく上回った。
• 線形SVMベースのディスクリミネータは、予測された成功ケースのみを試行した場合に100%の成功率を達成し、失敗のフィルタリングにおいて高い信頼性を示した。
• ランダムフォレストは線形SVMを上回り、78.0%の試行を成功と特定した一方で、SVMは66.0%にとどまった。高次元特徴を用いた場合の一般化性能に優れていることが示された。
• 50回の試行のうち42回が成功したが、そのうち39回が正しく成功と予測された。予測の正確性が非常に高かった。
• 実験的スナップショットとスイープボリューム解析により、指が隣接物体に接触しても実際にピッキングが成功したことが確認された。
• ヒューリスティックルールへの依存を低減し、将来的に多指グリッパーへの応用可能性も示された。