[論文レビュー] Latest Datasets and Technologies Presented in the Workshop on Grasping and Manipulation Datasets

Matteo Bianchi, Jeannette Bohg+1 more|arXiv (Cornell University)|Sep 8, 2016

Robot Manipulation and Learning参考文献 17被引用数 3

ひとこと要約

本論文は、2016年ロボットグリッピングとマニピュレーションデータセットワークショップの要約であり、ロボットグリッピングおよびマニピュレーション分野におけるオープンアクセスデータセットの最新の進展を強調している。YCB、Dex-Net、HandCorpusといった主要なデータセットを提示し、ベンチマーク評価、学習の向上、ロボティクス分野の進展を促進するための標準化され、高品質でマルチモーダルなデータセットの必要性を強調している。

ABSTRACT

This paper reports the activities and outcomes in the Workshop on Grasping and Manipulation Datasets that was organized under the International Conference on Robotics and Automation (ICRA) 2016. The half day workshop was packed with nine invited talks, 12 interactive presentations, and one panel discussion with ten panelists. This paper summarizes all the talks and presentations and recaps what has been discussed in the panels session. This summary servers as a review of recent developments in data collection in grasping and manipulation. Many of the presentations describe ongoing efforts or explorations that could be achieved and fully available in a year or two. The panel discussion not only commented on the current approaches, but also indicates new directions and focuses. The workshop clearly displayed the importance of quality datasets in robotics and robotic grasping and manipulation field. Hopefully the workshop could motivate larger efforts to create big datasets that are comparable with big datasets in other communities such as computer vision.

研究の動機と目的

• ロボットグリッピングおよびマニピュレーション研究分野におけるオープンアクセスデータセットの最新の発展をレビューおよび統合すること。
• 研究の再現可能性と比較可能性を向上させるために、データ収集、標準化、ベンチマーク評価における重要なニーズを特定すること。
• コンピュータビジョン分野のものと同等の規模で、マルチモーダルかつ一貫性のある大規模データセットの作成を促進すること。
• データへのアクセス性、ハードウェアコスト、およびロボットシステムにおける認識、制御、学習モジュールの統合に関する課題に対処すること。
• コミュニティ全体でのデータセット開発の連携を促進し、ロボティクス分野における長期的なデータ共有慣行を育成すること。

提案手法

• 2016年ICRAグリッピングとマニピュレーションデータセットワークショップの9件の招待講演および12件のインタラクティブプレゼンテーションの編纂と統合。
• 物体の幾何学的形状、タクトイルセンシング、人間の運動、器具との相互作用、ロボットマニピュレーションなど、多様な分野からのデータセットのキュレーション。
• YCB（Yale-CMU-Berkeley）、Dex-Net（クラウドベースの3次元物体ネットワーク）、HandCorpus（手の運動およびグリッピングデータのオープンアクセスリポジトリ）といった主要なデータセットの提示と分析。
• RGBD、力・トルク、ハプティクスフィードバック、モーショングラップチャーなどのセンシングモダリティを評価し、データ収集およびベンチマーク評価に活用。
• 再現可能な評価を可能にし、ベンチマーク評価における過剰適合を低減するための標準化されたテスト環境およびプロトコルの議論。
• 速度、学習効率、障害報告のためのメトリクスを含む、モジュラーなシステム評価フレームワークの提案により、透明性と進捗追跡の向上。

実験結果

リサーチクエスチョン

• RQ1 オープンアクセスで高品質なデータセットは、ロボットグリッピングおよびマニピュレーション研究におけるベンチマーク評価と再現可能性をどのように向上させるか？
• RQ2 特にタクトイル、力、運動データを含む大規模でマルチモーダルなデータセットを収集する上で、主な課題は何であるか？
• RQ3 標準化されたテスト環境およびプロトコルは、ロボットシステム評価における過剰適合を低減し、一般化性能を向上させるためにどのように寄与するか？
• RQ4 クラウドベースのデータセットや共有リポジトリ（例：HandCorpus、Dex-Net）は、ロボット学習データへのアクセスを民主化する上で果たす役割は何か？
• RQ5 モジュラーなシステム評価およびベースラインアーキテクチャは、複雑なロボットシステムにおける特定のコンponentsの進捗をどのように特定・評価するのを助けるか？

主な発見

• YCBオブジェクトおよびモデルセットは、85個のオブジェクトを含み、RGBDスキャン、物理的性質、幾何学的モデルを備えた標準化されたベンチマークを提供し、計画および制御研究に利用可能である。
• Dex-Netは、10万件を超える合成グリッピング構成を備えたクラウドベースの3次元オブジェクトネットワークを提供し、ディープラーニングを用いた堅牢なグリッピングプランニングを可能にしている。
• HandCorpusは、ログイン不要のオープンアクセスリポジトリとして、多様な人間およびロボットハンドの運動データを統合的に収録しており、フォーマットやモダリティが異なるデータセットを統一している。
• KITウェルトボディーヒューマンモーションドットベースは、高精細でマルチビューのRGBD記録を提供し、人間-ロボットインタラクションおよびインスティチューションラーニングの研究を支援している。
• グリップ安定性の評価およびロボット学習の向上を図るため、自動化されたデータ収集およびタクトイル、力、摩擦データの統合への傾向が高まっている。
• 進展は見られるが、大規模で一貫性があり、マルチモーダルなデータセットの構築には課題が残っており、データ収集、共有、評価の分野で統一された基準がまだ存在しない。