[論文レビュー] Toward Fast and Optimal Robotic Pick-and-Place on a Moving Conveyor

Shuai D. Han, Si Wei Feng+1 more|arXiv (Cornell University)|Dec 17, 2019

Robotic Path Planning Algorithms参考文献 28被引用数 4

ひとこと要約

本稿では、動的計画法に基づくアルゴリズムである OptSeqDP および SubOptDP を提案し、移動するコンベアでのロボットピックアンドプレースの時間最適なピッキング順序を計算する。これらの手法は、貪欲ヒューリスティクスを著しく上回り、幾何的および動的制約下でオブジェクトの順序を最適化することで、10–40%の高いスループットを達成しており、数百個のオブジェクトに対して1秒未塔の実行時間である。

ABSTRACT

Robotic pick-and-place (PnP) operations on moving conveyors find a wide range of industrial applications. In practice, simple greedy heuristics (e.g., prioritization based on the time to process a single object) are applied that achieve reasonable efficiency. We show analytically that, under a simplified telescoping robot model, these greedy approaches do not ensure time optimality of PnP operations. To address the shortcomings of classical solutions, we develop algorithms that compute optimal object picking sequences for a predetermined finite horizon. Employing dynamic programming techniques and additional heuristics, our methods scale to up to tens to hundreds of objects. In particular, the fast algorithms we develop come with running time guarantees, making them suitable for real-time PnP applications demanding high throughput. Extensive evaluation of our algorithmic solution over dominant industrial PnP robots used in real-world applications, i.e., Delta robots and Selective Compliance Assembly Robot Arm (SCARA) robots, shows that a typical efficiency gain of around 10-40% over greedy approaches can be realized.

研究の動機と目的

• 移動コンベア上でのロボットピックアンドプレースにおいて広く使われている貪欲ヒューリスティクス（例：FIFO、SPT）の部分最適性を解消すること。
• 有限時間スパンにおいて、時間最適または近似的に最適なピッキング順序を保証する、体系的かつ計算効率の良いアルゴリズムフレームワークを構築すること。
• 変動するオブジェクト密度およびコンベア速度を想定した、実際の産業用ロボットモデル（デルタおよびSCARA）を用いた、提案手法の性能を評価すること。
• 最適な順序付けが、高スルーパー産業自動化環境において顕著な現実世界の効率向上をもたらすことを示すこと。

提案手法

• 幾何的および動的制約を伴う有限時間スパン最適化問題として、移動コンベア上でのロボットPnP問題を形式化する。
• 最大20個のオブジェクトに対して正確な最適順序を計算できる包括的な動的計画法による解法である OptSeq を開発する。
• 枝刈りおよび局所性に基づくヒューリスティクスを適用した動的計画法を用いて、100個以上のオブジェクトにスケーリング可能な OptSeqDP および SubOptDP を導入する。
• ロボット固有の運動学および動力学をコスト関数に統合し、現実的な運動時間プロファイルをモデル化する。
• 拡張可能な、テレスコピック、デルタ、SCARA ロボットモデルを用いたシミュレーション環境を構築し、アルゴリズムの性能を評価する。
• オブジェクト密度の変動に応じた、総ピッキング成功オブジェクト数および実行時間効率といった性能指標を適用する。

実験結果

リサーチクエスチョン

• RQ1 標準的な貪欲ヒューリスティクス（例：FIFO、SPT）は、移動コンベア上でのロボットピックアンドプレースにおいて、時間効率面でどれほど部分最適であるか？
• RQ2 現実のロボット動力学および幾何的制約下で、動的計画法を効果的に適用して最適または近似的に最適なピッキング順序を計算できるか？
• RQ3 提案手法は、100個以上のオブジェクトにスケーリング可能であり、リアルタイム実行が可能であるか？
• RQ4 連続的かつ高スルーパーなPnP作業において、提案手法は既存のヒューリスティクスに対してどれほどの性能向上を達成するか？
• RQ5 異なるロボットタイプ（例：デルタ、SCARA）およびオブジェクト分布（ポアソンおよび一様）において、提案手法の性能はどのように変化するか？

主な発見

• FIFO や SPT といった貪欲ヒューリスティクスは、簡略化されたテレスコピックロボットモデルを用いた解析的に示されたように、最適解と比較して最大40%の時間効率の損失を引き起こすことがある。
• OptSeqDP および SubOptDP アルゴリズムは、最大100個のオブジェクトに対して1秒未塔で最適または近似的に最適なピッキング順序を計算でき、リアルタイム実行が可能である。
• ワンショット状況では、FIFO、ユークリッド、SPT ヒューリスティクスと比較して、提案手法が最大20%の実行時間短縮を達成している。
• 連続コンベア作業では、提案手法が貪欲ベースラインに対して一貫して10–40%のピッキング成功オブジェクト数の向上を達成している。
• 性能向上は、テレスコピック、デルタ、SCARA などの異なるロボットモデルおよびオブジェクト分布（ポアソンおよび一様）の両方において、安定的である。
• 長時間の移動時間に起因する悪影響を受ける貪欲法と比較して、オブジェクト密度が高い状況において、本手法は顕著な優位性を示している。