[論文レビュー] Using Geometry to Detect Grasps in 3D Point Clouds

Andreas ten Pas, Robert W. Platt|arXiv (Cornell University)|Jan 13, 2015

Image Processing and 3D Reconstruction参考文献 27被引用数 45

ひとこと要約

本稿では、衝突回避のサンプリングと反対向の把持幾何学を用いて、新規物体の3次元点群から把持点を検出する幾何学的駆動型手法を提示する。自動的にラベル付けされた大規模なトレーニングデータセットを生成する。本手法は、孤立した物体では88%の把持成功率を達成し、密集した環境でも73%を記録しており、複雑な認識技術や人手によるラベル付けに依存せずに、幾何的制約のみで優れた性能を発揮することを示している。

ABSTRACT

This paper proposes a new approach to detecting grasp points on novel objects presented in clutter. The input to our algorithm is a point cloud and the geometric parameters of the robot hand. The output is a set of hand configurations that are expected to be good grasps. Our key idea is to use knowledge of the geometry of a good grasp to improve detection. First, we use a geometrically necessary condition to sample a large set of high quality grasp hypotheses. We were surprised to find that using simple geometric conditions for detection can result in a relatively high grasp success rate. Second, we use the notion of an antipodal grasp (a standard characterization of a good two fingered grasp) to help us classify these grasp hypotheses. In particular, we generate a large automatically labeled training set that gives us high classification accuracy. Overall, our method achieves an average grasp success rate of 88% when grasping novels objects presented in isolation and an average success rate of 73% when grasping novel objects presented in dense clutter. This system is available as a ROS package at http://wiki.ros.org/agile_grasp.

研究の動機と目的

• 新規物体の密集した環境における3次元点群における把持検出を、良好な把持の幾何的制約を活用することで向上させること。
• 反対向把持条件を用いて、自動的にラベル付けされた把持仮説を生成することで、人手によるラベル付けに依存するのを減らすこと。
• 遮蔽や環境的障害物が認識を困難にするような、極めて困難な状況、たとえば密集した環境でも高い把持成功率を達成すること。
• 合成ラベルに基づく幾何的推論と機械学習のみに依存する実用的でROS統合型のシステムを構築し、現実世界のロボット把持に応用すること。

提案手法

• アルゴリズムは、ロボットハンドが衝突せず、物体の表面が指の間にあるという幾何学的に必須の条件を満たす把持仮説をサンプリングする。
• 指先が反対方向に接触する反対向把持条件を基準として、点群内の多数の把持仮説を自動的にラベル付けする。
• サポートベクターマシン（SVM）分類器を、自動的にラベル付けされたデータ上で学習させ、有効な把持と無効な把持を区別する。
• 2視点登録点群を処理することで、遮蔽や非理想的な視認状態でも検出精度を向上させる。
• ROSパッケージとして実装されており、Baxterなどのロボットプラットフォームとの統合が可能で、リアルタイムの把持が可能である。
• 対象物に特化した特徴学習や人手によるデモンストレーションを避ける。代わりに幾何的事前知識と自己教師付きデータ生成に依存する。

実験結果

リサーチクエスチョン

• RQ1 単純な幾何的制約のみで、対象物に特化した特徴や人手によるラベル付けに依存せずに、3次元点群における高い把持成功率を達成できるか？
• RQ2 反対向把持条件は、現実の点群データにおいて、把持検出器を学習させるための自己教師付きラベリング手法としてどれほど有効か？
• RQ3 遮蔽や干渉が顕著な深刻な課題を伴う密集した環境において、幾何学的ベースの把持検出システムの性能はいかほどか？
• RQ4 複数の視点を用いることで、非理想的なセンシング状態における把持検出のロバスト性はどの程度向上するか？
• RQ5 人手によるラベル付けを大量に必要としない、純粋に幾何的サンプリングと機械学習に依存するシステムは、人手ラベルに依存する手法を上回る性能を発揮できるか？

主な発見

• 幾何学的サンプリング手法のみで、孤立した新規物体に対して73%の把持成功率を達成しており、単純な幾何的制約の有効性が示された。
• 自動的にラベル付けされた反対向把持仮説に基づくSVM分類器を組み合わせることで、孤立した物体での把持成功率は87.8%まで向上した。
• 密集した環境下でも、73%の把持成功率を維持しており、これは著しく高い遮蔽や環境的干渉が生じる状況でも顕著である。
• 密集したシーンにおける失敗の9%は、認識誤りに起因しており、認識性能が複雑な環境下で依然として主要なボトル neck であることが示された。
• 1視点から2視点に変更することで、見えにくい物体の把持成功率は66.7%から83.3%に上昇し、多視点融合が著しくロバストネスを向上させることを示した。
• 人手によるラベル付けに依存せず、反対向把持条件による自動ラベリングによって大規模な学習が可能となり、高い性能を達成した。