[論文レビュー] Learning-from-Observation System Considering Hardware-Level Reusability

Jun Takamatsu, Kazuhiro Sasabuchi+3 more|arXiv (Cornell University)|Dec 19, 2022

Robotic Path Planning Algorithms被引用数 4

ひとこと要約

本論文では、人間の模倣による学習システムを提案し、タスクをロボットに依存しない形式で表現し、ハンド固有のスキルをロボット本体の制御から分離することで、ハードウェアレベルの再利用性を実現する。一般的な逆運動学ソルバと、ロボットハンドに特化したスキルライブラリを用いることで、NextageとFetchという2種類の異なるロボット上で、同じタスクシーケンスとパラメータが成功裏に実行された。これは、最小限の再設定で異なるハードウェアプラットフォーム間で高い再利用性を達成していることを示している。

ABSTRACT

Robot developers develop various types of robots for satisfying users' various demands. Users' demands are related to their backgrounds and robots suitable for users may vary. If a certain developer would offer a robot that is different from the usual to a user, the robot-specific software has to be changed. On the other hand, robot-software developers would like to reuse their developed software as much as possible to reduce their efforts. We propose the system design considering hardware-level reusability. For this purpose, we begin with the learning-from-observation framework. This framework represents a target task in robot-agnostic representation, and thus the represented task description can be shared with various robots. When executing the task, it is necessary to convert the robot-agnostic description into commands of a target robot. To increase the reusability, first, we implement the skill library, robot motion primitives, only considering a robot hand and we regarded that a robot was just a carrier to move the hand on the target trajectory. The skill library is reusable if we would like to the same robot hand. Second, we employ the generic IK solver to quickly swap a robot. We verify the hardware-level reusability by applying two task descriptions to two different robots, Nextage and Fetch.

研究の動機と目的

• ロボット分野におけるカスタムロボット開発とソフトウェア再利用性の間にある矛盾を解決すること。
• 異なるロボットハードウェアプラットフォーム間で再利用可能なロボットに依存しないタスク表現を実現すること。
• ハンド固有のスキルを分離し、ボディモーション制御を分離することで、新しいロボットにソフトウェアを適応させる作業を軽減すること。
• Nextage と Fetch ロボットでのクロスプラットフォーム実行を通じて、ハードウェアレベルの再利用性を検証すること。

提案手法

• 人間の模倣から得られるシンボリックなタスクシーケンス（例：つかむ、持ち上げる、置く）を、ロボットに依存しない形式で表現する。
• 強化学習を用いて、つかみ動作と軌道追従動作を学習する、ロボットハンドに特化したスキルライブラリを実装する。
• 一般的な逆運動学ソルバとボディロールの分離を用いて、ロボット本体のモーション制御を抽象化し、容易なロボット交換を可能にする。
• スーパーキューブィックオブジェクトモデルとRANSACベースのセグメンテーションを用いてトレーニングされたCNNを用いて、深度画像からスキルパラメータ（例：つかみ姿勢）を推定する。
• 指関節からの力フィードバックを用いてヒットイベントを検出し、軌道生成の終了などのタスク遷移をトリガーする。
• ハードウェア固有のマッピングを処理するモジュラーコンバータを用いて、ロボットに依存しないタスクシーケンスを対象ロボットのコマンドにマッピングする。

実験結果

リサーチクエスチョン

• RQ1 人間の模倣から学習したタスク表現は、異なるロボットハードウェアプラットフォーム間で再利用可能か？
• RQ2 プラットフォーム間でロボットハンドが同一である場合、スキルライブラリはどの程度共有可能か？
• RQ3 一般的な逆運動学ソルバは、モーション制御の再実装なしに、迅速なロボット交換を可能にするか？
• RQ4 共通の軌道パラメータを用いて、衝突回避を模倣学習により効果的に教え、異なるロボットに一般化できるか？

主な発見

• 同じタスクシーケンス（プレート上に置く、シェルフデモ）が、同じスキルライブラリとパラメータを用いて、Nextage と Fetch ロボットの両方で成功裏に実行された。
• ハンド（Shadow Hand Lite）が同一であれば、異なるキネマティクスと物理的形状を持つロボット間でも、スキルライブラリの再利用によってハードウェアレベルの再利用性を達成した。
• 一般的なIKソルバの使用により、制御スタックへの最小限の変更で、スムーズなロボット切り替えが可能になった。
• ハンドの関節からの力フィードバックが、ヒットイベントを効果的に検出し、異なるロボット間で一貫したタスク遷移論理を実現した。
• 深度画像からのCNNベースのパラメータ推定により、ロボット固有のキャリブレーションを必要とせずに、正確なつかみ姿勢予測が可能になった。
• センサフィードバックを用いることで、実行中に微細な環境差に適応でき、システムの頑健性が示された。