[논문 리뷰] Caging Loops in Shape Embedding Space: Theory and Computation

Jian Liu, Shiqing Xin외 4명|arXiv (Cornell University)|2018. 07. 31.

Robot Manipulation and Learning참고 문헌 18인용 수 4

한 줄 요약

이 논문은 형태 임bedding 공간에서 캠핑 루프를 계산하여, 표면 기하학에서 루프 생성을 분리함으로써 복잡하거나 노이즈가 많거나 완전하지 않은 3D 재구성에 대해 견고한 캠핑 그립을 가능하게 하는 새로운 방법을 제안한다. 임bedding 공간의 거리장에 대해 모스 이론을 적용함으로써, 척도 인식 및 토폴로지 인식이 가능한 캠핑 루프를 생성하며, 다수의 핸들나 오목 영역을 둘러싸는 데에 유용하다. 이는 알려지지 않은 또는 소규모 물체에 대해 그립 신뢰도를 크게 향상시키며, 실제 로봇 구현에서 90–100%의 성공률을 기록한다.

ABSTRACT

We propose to synthesize feasible caging grasps for a target object through computing Caging Loops, a closed curve defined in the shape embedding space of the object. Different from the traditional methods, our approach decouples caging loops from the surface geometry of target objects through working in the embedding space. This enables us to synthesize caging loops encompassing multiple topological holes, instead of always tied with one specific handle which could be too small to be graspable by the robot gripper. Our method extracts caging loops through a topological analysis of the distance field defined for the target surface in the embedding space, based on a rigorous theoretical study on the relation between caging loops and the field topology. Due to the decoupling, our method can tolerate incomplete and noisy surface geometry of an unknown target object captured on-the-fly. We implemented our method with a robotic gripper and demonstrate through extensive experiments that our method can synthesize reliable grasps for objects with complex surface geometry and topology and in various scales.

연구 동기 및 목표

• 기존의 캠핑 그립 방법이 표면 기하학에 과도하게 민감하고 그립퍼와 물체 사이의 크기 불일치에 취약한 점을 해결하기 위해.
• 최소한의 관측으로 실시간으로 촬영된 알려지지 않은 또는 부분적으로 재구성된 3D 물체에 대해 캠핑 그립 합성을 가능하게 하기 위해.
• 기하학적 세부 사항에서 캠핑 루프 계산을 분리하면서도 물체의 구조에 대한 토폴로지 인식을 유지하기 위해.
• 단일 핸들 그립이 크기 제약으로 인해 불가능한 경우, 다수의 토폴로지적 구멍이나 오목 영역을 둘러싸는 캠핑 루프를 생성할 수 있는 방법을 개발하기 위해.
• 실제 로봇 그립 시나리오에서 기하학적 노이즈와 불완전한 데이터에 대해 견고성을 확보하기 위해.

제안 방법

• 해당 방법은 대상 물체의 형태 임bedding 공간에서 캠핑 루프를 계산하며, 표면 기하학은 거리장에 의해 추상화된다.
• 그립퍼 크기에 기반한 그립 공간을 정의하여, 물리적 타당성을 확보할 수 있도록 캠핑 루프를 탐색한다.
• 임bedding 공간에서 물체의 r-오프셋 표면으로부터 거리장을 구성하고, 모스 이론을 적용하여 임계점(국소 최소, 국소 최대, 안장점)을 분석하여 캠핑 루프 후보를 탐지한다.
• 안장점을 탐지하고 분석함으로써 캠핑 루프를 추출하며, 물체의 토폴로지 일관성과 공간적 봉쇄를 보장한다.
• 비정보성 있는 샘플 포인트를 제거하기 위해 정리 3.3을 사용함으로써 계산 부담을 줄이면서도 유효한 루프 후보를 유지한다.
• 이 방법은 이중 RGB-D 카메라와 7-DoF Barrett WAM 암을 갖춘 로봇 플랫폼에 구현되었으며, 실시간 재구성과 그립 계획에 깊이 영상만을 사용한다.

실험 결과

연구 질문

• RQ1 표면 기하학에 종속되지 않으면서도 물체의 토폴로지와 그립퍼에 대한 상대적 크기에 대한 인식이 가능한 방식으로 캠핑 루프를 계산할 수 있는가?
• RQ2 형태 임bedding 공간의 거리장에 대해 모스 이론을 어떻게 적용하여 캠핑 루프 후보를 신뢰성 있게 탐지할 수 있는가?
• RQ3 실시간 로봇 그립에서 기하학적 노이즈와 불완전한 표면 재구성에 대해 이 방법은 어느 정도 내성적인가?
• RQ4 단일 핸들 그립이 불가능한 상황에서, 다수의 토폴로지적 특징(예: 핸들 또는 오목 영역)을 둘러싸는 캠핑 그립을 합성할 수 있는가?
• RQ5 실제 조건에서 기존의 기하학 기반 캠핑 그립 방법과 비교할 때, 이 방법의 성능은 그립 성공률 측면에서 어떻게 평가되는가?

주요 결과

• 이 방법은 개별 핸들의 크기가 그립퍼에 비해 너무 작아도 다수의 토폴로지적 핸들나 오목 영역을 둘러싸는 캠핑 루프를 성공적으로 생성한다.
• 실제 가정용 물체에서 시스템은 90–100%의 그립 성공률를 기록하였으며, 일반적으로 약 85%를 기록하는 기존 방법보다 뛰어난 성능을 보였다.
• 기하학적 노이즈와 변동성에 대해 알고리즘이 견고함을 입증하였으며, 모델 크기 대비 최대 7%의 가우시안 노이즈가 첨가된 Venus 및 Pillar 모델에서도 일관된 캠핑 루프 생성이 가능했다.
• 2K-정점 메esh에 대해 평균 계산 시간은 약 1.5초이며, 로봇 운동 계획과 실시간 통합이 가능하다.
• 이중 RGB-D 카메라에서 얻은 흐린, 저품질의 깊이 데이터에서도 이 방법은 타당성과 안정성을 유지하며 실시간 물체 재구성에 효과적임을 입증하였다.
• 모스 이론에 기반한 이론적 분석을 통해 탐지된 캠핑 루프는 토폴로지적으로 타당하고, 그립퍼 크기에 대해 물리적으로 타당함을 보장한다.