[論文レビュー] Manipulation Trajectory Optimization with Online Grasp Synthesis and Selection

Wang Li-rui, Xiang Yu+1 more|arXiv (Cornell University)|Nov 22, 2019

Robot Manipulation and Learning参考文献 39被引用数 5

ひとこと要約

本論文では、オンラインでのグリップ合成と選択を可能にすることで、混雑した環境における軌道とグリップを統合的に最適化する最適化ベースの運動およびグリッププランナ（OMG Planner）を提案する。CHOMPを用いた反復的軌道最適化と確率ベースのグリップ選択法を組み合わせることで、事前計算されたグリップを必要とせず、計画の成功確率と頑健性を向上させ、評価では93%の計画成功率と84%の実行成功率を達成した。

ABSTRACT

In robot manipulation, planning the motion of a robot manipulator to grasp an object is a fundamental problem. A manipulation planner needs to generate a trajectory of the manipulator arm to avoid obstacles in the environment and plan an end-effector pose for grasping. While trajectory planning and grasp planning are often tackled separately, how to efficiently integrate the two planning problems remains a challenge. In this work, we present a novel method for joint motion and grasp planning. Our method integrates manipulation trajectory optimization with online grasp synthesis and selection, where we apply online learning techniques to select goal configurations for grasping, and introduce a new grasp synthesis algorithm to generate grasps online. We evaluate our planning approach and demonstrate that our method generates robust and efficient motion plans for grasping in cluttered scenes. Our video can be found at https://www.youtube.com/watch?v=LIcACf8YkGU .

研究の動機と目的

• 混雑したロボット操作タスクにおける運動計画とグリップ計画の効率的統合に取り組むこと。
• 従来の手法における固定されたオフライングリップ集合とヒューリスティックベースのグリップ選択の限界を克服すること。
• 軌道最適化中に動的にグリップを選択・精錬することで、頑健性と効率性を向上させるプランナを開発すること。
• 事前計算されたグリップ候補に依存せずに、任意の物体形状に対してオンラインでグリップを合成できるようにすること。
• 運動とグリップ計画の共同最適化を通じて、複雑で混雑したシーンにおける性能向上を実証すること。

提案手法

• OMG Plannerは、CHOMPを用いたゴールセット制約付きの反復的最適化により、軌道とグリップを同時に更新することで、運動とグリップ計画の統合的最適化問題として定式化する。
• 学習ベースのアプローチを用いて、グリップ集合上の確率分布をオンラインで推定・更新し、計画中に最適なグリップを動的に選択可能にする。
• C-Space ISFアルゴリズムは、コンfigレーション空間におけるロボットグリッパーと物体間の反復的表面フィッティングにより、グリップ設定を精錬することでオンラインでのグリップ合成を実現する。
• グリップ選択はオンライン学習問題としてモデル化され、現在の軌道とグリップの実行可能性の相互作用から学習することで、ゴール選択の改善が図られる。
• 既存のグリップ計画アルゴリズム（例：GraspIt、シミュレーテッドグリップ）を初期グリップ集合として統合し、その後でオンラインで拡張・精錬する。
• 本フレームワークは任意の軌道最適化器と互換性があり、CHOMPに限らず、さまざまな運動計画手法に対応可能に設計されている。

実験結果

リサーチクエスチョン

• RQ1 固定されたグリップ集合と比較して、オンラインでのグリップ選択と合成は、混雑したシーンにおける操作計画の成功確率と頑健性を向上させるか？
• RQ2 軌道最適化中にグリップ合成を統合すると、計画効率と軌道品質にどのような影響を与えるか？
• RQ3 初期グリップ候補が低品質または不適切な場合に、オンラインでのグリップ精錬がどの程度グリップ品質と実行成功確率を向上させるか？
• RQ4 離散化密度（n）や滑らかさ重み（λ）といった主要な設計パラメータがプランナのパフォーマンスに与える影響はいかほどか？
• RQ5 ヒューリスティックなグリップ選択やオンライン精錬機能を欠いたベースライン手法と比較して、提案手法はより高い計画成功率と実行成功率を達成できるか？

主な発見

• OMG Plannerは、100のシーン（1シーンあたり30のグリップ）において93%の計画成功率と84%の実行成功率を達成し、CHOMP、FMT、RRT-Connectを上回った。
• 平均的な軌道衝突コストはCHOMPの4.78から3.92に低下し、滑らかさ指標も19.12から15.43に向上し、より優れた軌道品質を示した。
• C-Space ISFによるグリップ精錬により、グリップコストは3.43から3.04に低下し、特に高品質なシミュレーテッドグリップから出発した場合に成功確率の向上が顕著に見られた。
• アブレーションスタディの結果、離散化密度（n）の増加は滑らかさと計画成功確率の向上に寄与したが、λ ≈ 0.1が滑らかさと衝突回避のバランスにおいて最良の性能を示した。
• オンラインでのグリップ選択と合成の統合は、ヒューリスティックなグリップランク付けや固定グリップ集合に依存するベースライン手法を著しく上回った。
• 劣悪な初期グリップ集合に対しても本手法は頑健な性能を示し、オンライン精錬と選択の有効性を裏付けた。