[논문 리뷰] A Summary of Team MIT's Approach to the Amazon Picking Challenge 2015

Kuan‐Ting Yu, Nima Fazeli외 5명|arXiv (Cornell University)|2016. 04. 13.

Advanced Manufacturing and Logistics Optimization참고 문헌 10인용 수 43

한 줄 요약

MIT 팀은 2015년 아마존 페킹 챌린지에 참가하기 위해 RGB-D 인식, 정밀한 운동학적 캘리브레이션, 궤적 계획을 활용한 완전 자동화된 로봇 시스템을 개발하였다. 이 시스템은 키바 스타일의 선반에서 다양하고 혼잡한 12종의 물체를 자율적으로 탐지하고 집는 데 성공했으며, 두 번째로 높은 성과를 기록하여 인간 간섭을 최소화하고도 실세계 환경에서의 인식 및 조작 능력이 뛰어나다는 것을 입증하였다.

ABSTRACT

The Amazon Picking Challenge (APC), held alongside the International Conference on Robotics and Automation in May 2015 in Seattle, challenged roboticists from academia and industry to demonstrate fully automated solutions to the problem of picking objects from shelves in a warehouse fulfillment scenario. Packing density, object variability, speed, and reliability are the main complexities of the task. The picking challenge serves both as a motivation and an instrument to focus research efforts on a specific manipulation problem. In this document, we describe Team MIT's approach to the competition, including design considerations, contributions, and performance, and we compile the lessons learned. We also describe what we think are the main remaining challenges.

연구 동기 및 목표

• 실세계 조건에서 다양한, 혼잡한 물체를 창고 선반에서 신뢰성 있게 집을 수 있는 완전 자율 로봇 시스템을 개발하는 것.
• 물체의 다양성, 포장재의 반사성, 선반 기하학적 특성으로 인해 발생하는 인식, 캘리브레이션, 조작 문제를 해결하는 것.
• 시스템의 안정성과 고장 발생 시 신속한 복구 능력을 확보하여 현장 배치 시 인간 간섭을 최소화하는 것.
• 실제 창고 물류 환경을 시뮬레이션한 고압력, 시간 제약이 있는 대회 환경에서 시스템의 성능을 검증하는 것.

제안 방법

• 맞춤형 캘리브레이션 파이프라인과 통합된 RGB-D 센서를 활용해 선반과 물체의 정확한 3차원 포인트 클라우드를 생성하였다.
• Procman을 사용한 모듈식 ROS 기반 소프트웨어 스택을 도입하여 안정적인 시스템 시작 및 종료를 확보하고 통합 오버헤드를 감소시켰다.
• 선반 상자에 대한 세밀한 기하 모델링을 기반으로 한 궤적 계획을 구현하여 리브(가로장) 특성과 상자 크기 변동성을 고려하였다.
• 빠른 교체가 가능한 맞춤형 그립퍼를 장착한 재구성 가능한 로봇 암을 사용하여 높은 정밀도의 집기 작업을 수행하였다.
• 다중 시야 RGB 및 깊이 데이터 융합을 통해 반사성 또는 소형 물체의 탐지 및 정위치를 향상시켰다.
• 관절 토크 피드백을 통한 제어 루프를 구현하여 위험한 동작을 감지하고 중단함으로써 실행 중 손상을 방지하였다.

실험 결과

연구 질문

• RQ1 혼잡하고 실세계 창고 환경에서 다양한 반사성, 변형 가능한 물체를 신뢰성 있게 인식할 수 있는 로봇 시스템의 구현 방법은 무엇인가?
• RQ2 성공적인 조작을 위해 필요한 기하 캘리브레이션 수준은 무엇이며, 실시간 시각 피드백을 통해 이를 줄일 수 있는가?
• RQ3 대회 동안 시간 압박과 최소한의 인간 간섭 조건에서 시스템의 신뢰성을 어떻게 극대화할 수 있는가?
• RQ4 다중 시야 인식과 포인트 클라우드 융합은 소형 또는 부분적으로 가림을 입은 물체의 정확한 탐지에 어떤 역할을 하는가?
• RQ5 현재의 인식 및 제어 아키텍처로는 좁은 공간 내에서의 미세 조작을 성공적으로 수행할 수 있는가?

주요 결과

• 시스템은 7분 이내에 12개의 대상 물체 중 7개를 성공적으로 집었으며, 30개 이상의 국제 팀 중 두 번째로 높은 순위를 기록하였다.
• 초기 단계에서 그립퍼 재시작으로 인해 5분의 패널티를 받았지만, 이후 시스템은 안정적으로 작동하였다.
• 시스템 관리에 Procman를 사용함으로써 표준 roslaunch 대비 시작 안정성이 크게 향상되었다.
• 토크 과부하 감지를 통한 중단 기능 덕분에 손상이 방지되었지만, 정지 후 수동 재시작은 규정상 금지되어 있었다.
• 반사성 및 소형 물체의 인식 과제는 여전히 지속되었으며, 이는 다중 시야 융합과 향상된 깊이 감지의 필요성을 강조하였다.
• 팀은 향후 시스템이 정밀한 사전 캘리브레이션에 의존하는 것을 줄이고, 반응형 시각 피드백 기반의 캘리브레이션을 도입함으로써 신뢰성을 높여야 한다고 결론 내렸다.