[論文レビュー] Team Delft's Robot Winner of the Amazon Picking Challenge 2016

Carlos Hernández, Mukunda Bharatheesha+14 more|arXiv (Cornell University)|Oct 18, 2016

Robotics and Sensor-Based Localization参考文献 3被引用数 7

ひとこと要約

Team Delftのロボットは、7自由度の産業用アーム、吸引およびピンチ機能を備えたカスタムグリッパー、および深層学習を用いた物体認識、姿勢推定、運動計画を統合するROSベースのソフトウェアを組み合わせることで、2016年アマゾンピッキングチャレンジで優勝した。このシステムは、多様でごちゃついた倉庫内物品に対して、スピード、耐障害性、信頼性の高いグリップ計画を実現し、ピッキングおよびストーリングの両タスクで最高スコアを記録した。

ABSTRACT

This paper describes Team Delft's robot, which won the Amazon Picking Challenge 2016, including both the Picking and the Stowing competitions. The goal of the challenge is to automate pick and place operations in unstructured environments, specifically the shelves in an Amazon warehouse. Team Delft's robot is based on an industrial robot arm, 3D cameras and a customized gripper. The robot's software uses ROS to integrate off-the-shelf components and modules developed specifically for the competition, implementing Deep Learning and other AI techniques for object recognition and pose estimation, grasp planning and motion planning. This paper describes the main components in the system, and discusses its performance and results at the Amazon Picking Challenge 2016 finals.

研究の動機と目的

• 構造的でない倉庫環境において自律的ピッキングおよびストーリングが可能な、耐障害性が高く高速なロボットシステムを開発すること。
• 多様で変形しやすく、反射する物体を含むごちゃついた現実世界の環境において、物体認識、グリップ計画、運動計画の課題に取り組むこと。
• 市販部品とカスタムAIモジュールの統合が産業自動化において実用的であることを示すこと。
• 性能、信頼性、迅速な導入を両立できる産業用に適したロボットソリューションを検証すること。

提案手法

• 水平レールに設置された7自由度のSIA20F Motomanロボットアームを用い、全バッチへのアクセスを可能にする8自由度の機構を実現した。
• 90°回転可能な吸引カップとピンチ機構を備えた40cmのカスタムグリッパーにより、39種類のコンテストアイテムを任意の姿勢で把持可能であった。
• 3Dカメラがリアルタイムで深度データを供給し、ROSが認識、計画、制御モジュールを統合した。
• 物体認識および姿勢推定に深層学習モデルを用い、グリップおよび運動計画のためのカスタムアルゴリズムを実装した。
• 衝突回避のための純粋な計画アプローチを採用したが、これによりごちゃついたバッチでは計画の拒否が頻発した。
• ストーリングには事前に計算された軌道を用い、重力を利用することでバッチへの挿入を簡素化した。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、構造的でない倉庫環境において多様なアイテムを高速かつ信頼性高くピッキングおよびストーリングできるロボットシステムを実現できるか？
• RQ2 市販部品とROSベースのソフトウェア統合が、現実世界の産業的課題においてどれほど耐障害性の高い性能を実現できるか？
• RQ3 遮蔽や反射する物体を含むごちゃついたバッチにおいて、純粋な計画ベースのアプローチにどのような限界があるか？
• RQ4 深層学習に基づく認識およびグリップ計画は、複雑な現実世界のロボットタスクにおいて性能を著しく向上させることができるか？
• RQ5 スピード、耐障害性、グリッパーの多様性といった設計原則が、アマゾンピッキングチャレンジのような高水準のロボット競技会での成功にどのように寄与するか？

主な発見

• Team Delftのロボットは、ピッキングおよびストーリングの両タスクで最高スコアを記録し、コンテストで優勝した。
• ピッキングタスクでは185点中185点、ストーリングタスクでは246点中246点を獲得し、与えられたタスクでほぼ完璧なパフォーマンスを示した。
• 物体認識モジュールは照明条件の変化に対しても安定して動作したが、姿勢推定は反射の影響を強く受け、点群が疎らになった。
• 運動計画が主なボトルネックであった。特にごちゃついたバッチでは、衝突のため計画が多数拒否された。
• 重いおよび大きなアイテム、特にダンベルについては、高精度要件とコンプライアンスの不足により困難をきたした。
• チームは、信頼性の高い操作を実現するにはグリッパーに力フィードバックおよびコンプライアンスが必要であり、多グリッパー構成が多様な物体セットに対して単一グリッパー構成を上回る可能性があると結論づけた。