[論文レビュー] Where to look first? Behaviour control for fetch-and-carry missions of service robots

Markus Bajones, Daniel Wolf+2 more|arXiv (Cornell University)|Oct 6, 2015

Robotic Path Planning Algorithms参考文献 18被引用数 3

ひとこと要約

本論文では、手動での位置指定を不要にすることで、持ち運びタスクにおける高確率な探索位置を意味的セグメンテーションを用いて自律的に特定する動作制御器を提案する。シーンの文脈（例：テーブル、棚）を分析することで、知的な探索ポーズを生成し、事前にラベル付けされた位置と同等の効率性を達成すると同時に、家庭環境における柔軟性と人間中心の認識を向上させる。

ABSTRACT

This paper presents the behaviour control of a service robot for intelligent object search in a domestic environment. A major challenge in service robotics is to enable fetch-and-carry missions that are satisfying for the user in terms of efficiency and human-oriented perception. The proposed behaviour controller provides an informed intelligent search based on a semantic segmentation framework for indoor scenes and integrates it with object recognition and grasping. Instead of manually annotating search positions in the environment, the framework automatically suggests likely locations to search for an object based on contextual information, e.g. next to tables and shelves. In a preliminary set of experiments we demonstrate that this behaviour control is as efficient as using manually annotated locations. Moreover, we argue that our approach will reduce the intensity of labour associated with programming fetch-and-carry tasks for service robots and that it will be perceived as more human-oriented.

研究の動機と目的

• 家庭環境において、サービスロボットが持ち運びタスクをより柔軟かつ人間が直感的に理解できる方法で実行できる動作制御システムの開発。
• 物体の探索位置を手動でラベル付けする必要を排除し、プログラミングの負荷を低減するとともに、環境変化への適応性を向上させる。
• 意味的なシーン理解を通じて文脈的に妥当な物体位置を優先することで、ロボットの行動の可読性とユーザー満足度を向上させる。
• 実ロボットプラットフォームを用いて、屋内環境における本手法の実現可能性と性能を評価する。

提案手法

• システムは、Pythonベースの階層的状態機械フレームワークであるSMACHを用い、認識、ナビゲーション、把持などのロボット行動を統合制御する。
• RGB-Dデータの意味的セグメンテーションにより、シーンの文脈に基づいてテーブル、棚、窓辺など、物体の可能性のある位置を特定する。
• 部屋に入室した際に30°回転と点群取得を実行することで、3次元シーン理解と探索ポーズの生成を可能にする。
• セグメンテーションされた表面から自動的に探索位置を計算し、手動ラベル付けを回避しながらも、物体が存在する可能性の高い領域をカバーする。
• 物体検出と認識は上部カメラを用い、把持は2本指グリッパーを装備したアームで実行する。
• ROSとSMACHを用いて、ナビゲーション、認識、操作を統合した1つの動作制御パイプラインを実装する。

実験結果

リサーチクエスチョン

• RQ1 手動でのラベル付けなしに、ロボットが自律的に高確率の探索位置を生成できるか？
• RQ2 意味的セグメンテーションに基づく探索の性能は、事前にラベル付けされた探索位置と比較して、所要時間と成功確率の面でどう異なるか？
• RQ3 本手法は、知的さと行動の可読性の観点から、ユーザーがロボットの行動をどのように認識するかにどの程度向上をもたらすか？
• RQ4 現在の実装における主な性能ボトルネックは何か。また、それらをどのように緩和できるか？

主な発見

• 意味的セグメンテーションに基づくアプローチは、手動ラベル付けされた位置と同等の探索効率を達成し、テスト実行全体で80%の成功率を示した。
• 広範な探索カバーを実現するため、前処理済みラベル探索に比べ最大2.5倍の時間がかかったが、これは柔軟性の向上に伴うものであり想定内であった。
• 財布の探索で最長23:07分の探索時間（36の探索位置）を記録し、カバー範囲と速度のトレードオフが顕在化した。
• 4回の実行のうち1回で誤検出（夜間のテーブルに置かれたハンドバッグ）が発生したため、認識の信頼性向上に余地がある。
• システムの主な時間コストは逐次的意味的セグメンテーション処理と30°回転処理に起因しており、これらのステップを並列化することで、複数部屋環境では最大4分の短縮が可能となる。
• 近接する探索ポーズをクラスタリングすることで、位置数を最大50%まで削減可能であり、カバー範囲を損なわずに効率性を向上できる。