[論文レビュー] Robust Physics-Based Manipulation by Interleaving Open and Closed-Loop Execution

Wisdom C. Agboh, Mehmet R. Doğar|arXiv (Cornell University)|May 18, 2021

Reinforcement Learning in Robotics参考文献 34被引用数 4

ひとこと要約

本稿では、不確実性下での物理ベースの操作を対象として、頑健なオープンループ実行とモデル予測制御を交互に実行するハイブリッドプランニング・コントロールフレームワークを提案する。収縮理論を用いて頑健性指標を導出し、軌道を頑健（オープンループ）および非頑健（クローズドループ）な部分に分割することで、オープンループベースラインより35%高い実世界での成功率を達成するとともに、完全なクローズドループ制御よりも40%高速な実行が可能となり、リアルタイム性能を維持したままクローズドループの成功率に匹敵する結果を得た。

ABSTRACT

We present a planning and control framework for physics-based manipulation under uncertainty. The key idea is to interleave robust open-loop execution with closed-loop control. We derive robustness metrics through contraction theory. We use these metrics to plan trajectories that are robust to both state uncertainty and model inaccuracies. However, fully robust trajectories are extremely difficult to find or may not exist for many multi-contact manipulation problems. We separate a trajectory into robust and non-robust segments through a minimum cost path search on a robustness graph. Robust segments are executed open-loop and non-robust segments are executed with model-predictive control. We conduct experiments on a real robotic system for reaching in clutter. Our results suggest that the open and closed-loop approach results in up to 35% more real-world success compared to open-loop baselines and a 40% reduction in execution time compared to model-predictive control. We show for the first time that partially open-loop manipulation plans generated with our approach reach similar success rates to model-predictive control, while achieving a more fluent/real-time execution. A video showing real-robot executions can be found at https://youtu.be/rPOPCwHfV4g.

研究の動機と目的

• 状態の不確実性やモデルの不正確さが生じる中で、物理ベースのロボット操作において高い成功率を達成する課題に対処すること。
• 実行中に計算コストの高い再プランニングに依存を最小限に抑えることで、リアルタイムかつ滑らかな実行を可能にすること。
• 自動的に頑健なオープンループセグメントとフィードバック制御を要する非頑健セグメントを特定・分離すること。
• 状態の不確実性およびモデルの不正確さに対する耐性を定量化する頑健性指標を開発すること。
• 部分的にオープンループの計画が、完全なクローズドループ制御と同等の成功率を達成しつつ、はるかに高速に実行可能であることを実証すること。

提案手法

• 収縮理論を用いて、軌道計画における状態の不確実性およびモデルの不正確さに対する耐性を定量化する頑健性指標を導出する。
• ノードが時刻を表し、エッジがそれらの間の頑健または非頑健な遷移を表す頑健性グラフを構築する。
• 頑健性グラフ上で最小コストパス探索を実行し、軌道を頑健（オープンループ）および非頑健（クローズドループ）セグメントに分割する。
• 頑健セグメントはオープンループで実行し、滑らかさとリアルタイム性能を確保する一方、非頑健セグメントにはモデル予測制御を適用してフィードバック補正を実施する。
• 導出された頑健性指標を用いた軌道最適化により、不確実性に対して本質的に耐性を持つ計画を生成する。
• ファンネルイン動作と安定した接触運動を、状態の不確実性を低減し、頑健性を向上させる主な戦略として採用する。

実験結果

リサーチクエスチョン

• RQ1 オープンループとクローズドループ実行を組み合わせたハイブリッド制御戦略は、不確実性のある物理ベースの操作において、純粋なオープンループ手法よりも高い成功率を達成できるか？
• RQ2 このようなハイブリッド戦略は、完全なクローズドループ制御よりも高速な実行が可能であり、かつ同等の成功率を維持できるか？
• RQ3 状態の不確実性およびモデルの不正確さに対する頑健性を、定量的に測定し、軌道計画に統合する方法は何か？
• RQ4 例えばファンネルインや安定したプushingといった運動戦略のうち、マルチコンタクト操作における頑健性に最も寄与するのはどれか？
• RQ5 部分的にオープンループの計画は、実世界の物理ベースの操作タスクにおいて、完全なクローズドループ制御と同等の成功率を達成できるか？

主な発見

• インタレーブドオープン・クローズドループアプローチは、ごみが多い状況での到達タスクにおいて、オープンループベースラインに比べて最大35%高い実世界での成功率を達成した。
• 完全なモデル予測制御と比較して、実行時間が40%短縮されたが、成功率はほぼ同等を維持した。
• 本手法で生成された部分的オープンループ計画は、完全なクローズドループ制御と同等の成功率を達成し、継続的な再プランニングなしに頑健性を実現できることを示した。
• 壁に物体を押し当てるなどして不確実性を低減するファンネルイン動作は、実験において頑健性を高める主要な戦略であることが同定された。
• 頑健性グラフによるセグメンテーション手法は、特にフリースペースおよびファンネルイン運動において、オープンループ実行に適したセグメントを効果的に同定した。
• 本フレームワークは、タスクの難易度に応じて、完全なオープンループ、完全なクローズドループ、またはハイブリッド実行に自動的に切り替え可能な適応性を示した。