[논문 리뷰] Accurate Robotic Pouring for Serving Drinks

Yongqiang Huang, Yu Sun|arXiv (Cornell University)|2019. 06. 21.

Robot Manipulation and Learning참고 문헌 14인용 수 5

한 줄 요약

이 논문은 실제 힘 측정을 통한 부은 양의 실시간 각속도 제어를 기반으로 한 순환 신경망(RNN) 기반 시스템을 제안하여 액체를 정확하게 기계적으로倒기한다. 이 시스템은 미리 보지 않은 용기에서 5mL 이내의 오차를 기록하며, 시럽과 기름과 같은 점성 있는 액체로의 일반화 능력이 뛰어나 이전 방법들보다 정확도와 적응성 면에서 뛰어나다.

ABSTRACT

Pouring is the second most frequently executed motion in cooking scenarios. In this work, we present our system of accurate pouring that generates the angular velocities of the source container using recurrent neural networks. We collected demonstrations of human pouring water. We made a physical system on which the velocities of the source container were generated at each time step and executed by a motor. We tested our system on pouring water from containers that are not used for training and achieved an error of as low as 4 milliliters. We also used the system to pour oil and syrup. The accuracy achieved with oil is slightly lower than but comparable with that of water.

연구 동기 및 목표

• 다양한 용기와 액체에서 목표 액체 양을 정확하게 분배할 수 있는 강건하고 일반화 가능한 로봇倒기 시스템을 개발하는 것.
• 倒기 과정에서 비선형적이고 시간에 따라 변하는 동역학 문제를 해결하기 위해 각속도 생성을 순차적 제어 문제로 모델링하는 것.
• 실제 힘 측정 부은 양 피드백을 활용한 인간의倒기 시연 데이터를 기반으로 한 지도 학습을 통해 기존 방법을 향상시키는 것.
• 기계학습된 모델이 훈련되지 않은 용기와 점성이 다른 액체(기름, 시럽 포함)에 대해 일반화 가능한지 평가하는 것.
• 통제된倒入 작업 조건에서 인간 수준의 정확도를 초월하는 성능을 입증하는 것.

제안 방법

• 시스템은 실시간 부은 양과 용기 특징을 기반으로 각속도 명령을 생성하기 위해 피어홀(Long Short-Term Memory, LSTM) 네트워크를 사용한다.
• 입력 특징으로는 목표 부은 양, 현재까지 부은 양, 용기의 지름, 높이, 총 용량이 포함되며, 이는 시간 단위로 순차적으로 처리된다.
• 물에 대한 인간의倒入 시연 데이터 284건을 힘 센서를 사용해 기록하여 훈련 데이터셋을 구성하였다.
• Dynamixel MX-64 모터와 힘 센서를 탑재한 물리적 로봇 시스템을 구축하여 RNN가 생성한 속도 명령을 실행하고 평가하였다.
• RNN는 목표 부은 양과 실제 부은 양 간의 차이를 최소화하도록 훈련되었으며, 검증 성능에 기반해 모델 선택이 이루어졌다.
• 일반화 능력을 평가하기 위해 동일한 RNN 정책을 사용하여 훈련되지 않은 용기와 액체(기름, 시럽)에 대해 테스트하였다.

실험 결과

연구 질문

• RQ1 지속적인 지도 학습을 통해 RNN 정책이 다양한 용기에서 물을倒入하기 위한 정확한 각속도 시퀀스를 학습할 수 있는가?
• RQ2 훈련 중에 보지 않은 용기로의 성능 일반화 능력은 어떠한가?
• RQ3 물과는 다른 점성을 가진 액체(기름, 시럽 포함)를倒入할 때 동일한 정책이 높은 정확도를 달성할 수 있는가?
• RQ4 기존 방법에 비해 RNN 기반 시스템이 정확도와 적응성 면에서 뛰어나다고 할 수 있는가?
• RQ5 유사한 조건에서 인간의倒入 성능과 비교해 시스템의 정확도는 어떠한가?

주요 결과

• 훈련 중에 사용된 용기(빨간 컵)에서 물을倒入할 때 평균 오차는 3.71 mL를 기록하였다.
• 훈련되지 않은 다섯 개의 용기에서 평균 오차는 날씬한 병의 경우 4.12 mL에서 인간형 컵의 경우 12.37 mL로 변동하였으며, 날씬한 병에서는 훈련 수준에 근접한 성능을 보였다.
• 인간 참가자들이 40회의 시험에서 평균 10.8 mL의 오차를 기록한 것에 비해 시스템은 더 높은 정확도를 확보하였다.
• 점성이 65 cP인 기름을倒入할 때 평균 오차는 4.11 mL로 물과 유사한 성능을 기록하였다.
• 점성이 매우 높은 시럽(2000 cP)을倒入할 때 평균 오차는 15.66 mL로 성능 저하가 있었지만, 많은 애플리케이션에 있어 수용 가능한 수준이었다.
• 새로운 용기와 액체로의 일반화 능력이 효과적으로 확보되어 훈련 분포를 초월한 강건성을 입증하였다.