[論文レビュー] More than a Million Ways to Be Pushed: A High-Fidelity Experimental Dataset of Planar Pushing

Kuan‐Ting Yu, Maria Bauzá+2 more|arXiv (Cornell University)|Apr 14, 2016

Robot Manipulation and Learning参考文献 23被引用数 15

ひとこと要約

本論文は、100万件を超える平面プッシュインタラクションの高精細な実験データセットを提示する。このデータセットは、物体の形状、表面素材、接触位置、プッシュ方向、速度、加速度の6つの変数において、正確なポーズと力の測定を含む。ロボットアームに力/トルクセンサとVicon追跡を組み合わせた実験により、摩擦と運動の結果に顕著なばらつきが生じることが明らかとなり、決定論的プッシュモデルにおける一般的な仮定に疑問を呈し、ロボット操作分野における確率的かつデータ駆動型のアプローチの必要性を強調している。

ABSTRACT

Pushing is a motion primitive useful to handle objects that are too large, too heavy, or too cluttered to be grasped. It is at the core of much of robotic manipulation, in particular when physical interaction is involved. It seems reasonable then to wish for robots to understand how pushed objects move. In reality, however, robots often rely on approximations which yield models that are computable, but also restricted and inaccurate. Just how close are those models? How reasonable are the assumptions they are based on? To help answer these questions, and to get a better experimental understanding of pushing, we present a comprehensive and high-fidelity dataset of planar pushing experiments. The dataset contains timestamped poses of a circular pusher and a pushed object, as well as forces at the interaction.We vary the push interaction in 6 dimensions: surface material, shape of the pushed object, contact position, pushing direction, pushing speed, and pushing acceleration. An industrial robot automates the data capturing along precisely controlled position-velocity-acceleration trajectories of the pusher, which give dense samples of positions and forces of uniform quality. We finish the paper by characterizing the variability of friction, and evaluating the most common assumptions and simplifications made by models of frictional pushing in robotics.

研究の動機と目的

• ロボットプッシュのための標準化され、高品質な実験データセットの不足に取り組み、モデルの評価と開発を妨げる要因を解消すること。
• 摩擦プッシュの解析的モデルにおける一般的な仮定の妥当性を検証すること、特に摩擦係数の一定性と力と運動の関係に関する仮定について。
• 同一のプッシュ条件を繰り返した場合の、物体の運動結果のばらつきと非ガウス的性質を定量化すること。
• より正確な確率的または半パラメトリックな摩擦プッシュモデルの開発と評価のためのベンチマークデータセットを提供すること。
• シミュレーション、計画、制御分野における今後の研究を支援するため、現実世界のプッシュダイナミクスをデータ駆動型でモデル化することを可能にすること。

提案手法

• 産業用ABB IRB 120ロボットが、正確な位置・速度・加速度のトレジェクトリを用いてプッシュ実験を自動化し、再現性があり高精細なデータ収集を実現する。
• ATI力/トルクセンサを装備したスチールプッシュャーが、各プッシュ中に高いサンプリングレートでインタラクション力を記録する。
• Viconモーショントラッキングシステムが、プッシュされた物体の3次元ポーズ（位置と姿勢）を高い時間分解能で捉える。
• 実験では、物体の形状、表面素材、接触位置、プッシュ方向、速度、加速度の6つの次元を体系的に変化させ、100万件を超えるタイムスタンプ付きのデータポイントが得られた。
• 各実験条件に対して、力、プッシャーのポーズ、物体のポーズの時間系列データが含まれており、動的プッシュ行動の詳細な分析が可能である。
• 各表面素材に対して2,000回の繰り返しプッシュ実験を実施し、運動分布、ばらつき、モデル予測誤差の評価がなされた。

実験結果

リサーチクエスチョン

• RQ1 繰り返しプッシュを行った際、物体の運動結果の分布はガウス分布仮定からどれほど逸脱しているか？
• RQ2 標準的な決定論的摩擦プッシュモデルは、実際の実験データと比較してどの程度正確か？
• RQ3 摩擦係数は表面素材、方向、速度、時間によってどの程度変動するか？
• RQ4 プッシュ速度、加速度、接触ジオメトリの変化が運動のばらつきにどのように影響するか？
• RQ5 観測されたプッシュ結果のばらつきは、データ駆動型アプローチを用いて体系的にモデル化または予測可能か？

主な発見

• 繰り返しプッシュ後の物体の最終ポーズの分布は、マルチモーダル構造を示し、ガウス分布ではないことが判明し、顕著な構造的ばらつきが存在することが示された。
• 最終変位の標準偏差は、デルリンで3.4 mm、PUで11.7 mmの範囲にあり、平均変位に対する誤差率は最大12.5%に達し、表面素材に極めて敏感であることが明らかになった。
• 決定論的モデル[24]によるシミュレーテッド軌道は、実験の平均軌道と顕著に異なることが判明し、優れたモデルであっても現実のダイナミクスを捉えられていないことが示された。
• 摩擦係数は一定ではない。空間的、方向、速度、時間の変化に伴い変動し、標準モデルにおける固定摩擦係数の仮定に疑問が呈された。
• デルリンやABSのような硬い素材は、ばらつきが低く、決定論的モデルとも良好に一致するため、素材依存のモデル適合性があることが示唆された。
• 本データセットは、低速（20 mm/s）でも慣性効果が無視できないことを明らかにした。これは、現実的なモデルにおいて動的プッシュ効果を考慮する必要があることを示している。