[論文レビュー] Randomized Physics-based Motion Planning for Grasping in Cluttered and Uncertain Environments

Muhayyuddin Gillani, Mark Moll+2 more|arXiv (Cornell University)|Nov 27, 2017

Robotic Path Planning Algorithms参考文献 27被引用数 27

ひとこと要約

本稿では、不確実性を意識した制御サンプリング、信念に基づく木の探索、動的不確実性伝播を組み込んだ、ランダム化された物理ベースの運動計画法であるp-KPIECEを提案する。物理エンジン（ODE）を用いて多体系的相互作用をシミュレートすることにより、タスク・アンド・モーション計画法や本体的物理ベースの手法と比較して、障害物が多く不確実性の高い環境下でも、より高い成功確率、より速い計画速度、より優れた経路品質を達成した。

ABSTRACT

Planning motions to grasp an object in cluttered and uncertain environments is a challenging task, particularly when a collision-free trajectory does not exist and objects obstructing the way are required to be carefully grasped and moved out. This paper takes a different approach and proposes to address this problem by using a randomized physics-based motion planner that permits robot-object and object-object interactions. The main idea is to avoid an explicit high-level reasoning of the task by providing the motion planner with a physics engine to evaluate possible complex multi-body dynamical interactions. The approach is able to solve the problem in complex scenarios, also considering uncertainty in the objects pose and in the contact dynamics. The work enhances the state validity checker, the control sampler and the tree exploration strategy of a kinodynamic motion planner called KPIECE. The enhanced algorithm, called p-KPIECE, has been validated in simulation and with real experiments. The results have been compared with an ontological physics-based motion planner and with task and motion planning approaches, resulting in a significant improvement in terms of planning time, success rate and quality of the solution path.

研究の動機と目的

• 障害物による衝突回避経路が存在しない、複雑で不確実性の高い環境下での grasping の課題に対処すること。
• 多体系的相互作用を直接シミュレート可能な物理シミュレーションに基づく運動計画を可能にすることで、高水準のタスク・アンド・モーション計画への依存を低減すること。
• 物体の姿勢不確実性および接触ダイナミクスの不確実性が存在する状況における、耐障害性と効率性の向上。
• 不確実性評価を計画データ構造に統合したサンプリングベースの運動計画法を開発し、より安全で信頼性の高い経路を実現すること。
• 最先端のタスク・アンド・モーション計画法および物理ベースの計画法と比較して、シミュレーションおよび実世界実験で本手法の有効性を検証すること。

提案手法

• 物体の姿勢不確実性下での制御の信念と耐障害性を評価する確率的制御サンプラーを導入。
• KPIECE木の探索戦略を強化し、耐障害性の信念が高い状態へと拡張を偏らせるようにすることで、安全な解への収束を向上。
• ODE物理エンジンを用いて、ロボット-物体および物体-物体相互作用を通じて、姿勢不確実性を伝播させる不確実性処理戦略を統合。
• KPIECEフレームワークを拡張し、不確実性下での運動セグメントの安全性と耐障害性を評価する信念に配慮した有効性チェック機構を導入。
• 運動計画中の複雑な動的相互作用をシミュレートするため、Open Dynamic Engine (ODE) を状態伝播器として使用。
• 運動セグメントの耐障害性に基づいて探索優先度を決定する信念に基づく探索メカニズムを採用。

実験結果

リサーチクエスチョン

• RQ1 不確実性を意識したサンプリングと信念伝播を備えた物理ベースの運動計画法は、従来のタスク・アンド・モーション計画法に比べ、複雑で不確実性の高い環境下で優れているか？
• RQ2 計画データ構造に耐障害性評価を統合することで、成功確率と計画効率にどのような影響を与えるか？
• RQ3 高水準のタスクレベルの推論を一切行わずに、1回の運動クエリで複数の遮断物体を効果的に避けられるか？
• RQ4 物体の姿勢不確実性および接触ダイナミクスの不確実性が、運動計画の質と信頼性に与える影響はどの程度か？
• RQ5 信念誘導探索における耐障害性の信頼度（k）と計算効率のトレードオフはどのようなものか？

主な発見

• p-KPIECEは、10個および15個の物体が散らばった状況下で、100%の成功確率を達成し、タスク・アンド・モーション計画（TP）およびその不確実性を考慮した変種（TPU）を上回った。
• 40個の物体の場合、p-KPIECEは63%の成功確率を維持し、TP（63%）およびTPU（63%）を大きく上回った。また、平均計画時間はTPの229秒からp-KPIECEの71.64秒にまで短縮された。
• 25個の物体を含むシナリオにおいて、p-KPIECEは、最も性能の優れたタスク・アンド・モーション計画ベースライン（TP）と比較して、平均計画時間を最大65%短縮した。
• p-KPIECEは、意図しない物体の移動や落下を避ける優れた経路品質を示した。これに対して、o-KPIECEは、モデル化されていない動的効果の影響により、70%のシーンで失敗した。
• 信念に基づく探索の統合により、状態空間のより安全で耐障害性の高い領域へと探索が誘導され、成功確率が向上した。
• 不確実性の高い環境下でも安定した性能を発揮し、30個の物体では90%の成功確率、35個の物体では67%の成功確率を達成した。また、計画時間は実行可能範囲内を維持した。