[논문 리뷰] Compare Contact Model-based Control and Contact Model-free Learning: A Survey of Robotic Peg-in-hole Assembly Strategies

Jing Xu, Zhimin Hou외 2명|arXiv (Cornell University)|2019. 04. 10.

Robot Manipulation and Learning참고 문헌 93인용 수 84

한 줄 요약

본 논문은 로봅틱 핀-인-홀 조립 전략을 조사하고, 전통적 접촉 모델 기반 제어와 두 가지 비모델 기반 학습(branch) 비교(시연으로부터의 학습, 환경으로부터의 학습) 를 다루며, 통합, 도전과제 및 향후 방향에 대해 논의한다.

ABSTRACT

In this paper, we present an overview of robotic peg-in-hole assembly and analyze two main strategies: contact model-based and contact model-free strategies. More specifically, we first introduce the contact model control approaches, including contact state recognition and compliant control two steps. Additionally, we focus on a comprehensive analysis of the whole robotic assembly system. Second, without the contact state recognition process, we decompose the contact model-free learning algorithms into two main subfields: learning from demonstrations and learning from environments (mainly based on reinforcement learning). For each subfield, we survey the landmark studies and ongoing research to compare the different categories. We hope to strengthen the relation between these two research communities by revealing the underlying links. Ultimately, the remaining challenges and open questions in the field of robotic peg-in-hole assembly community is discussed. The promising directions and potential future work are also considered.

연구 동기 및 목표

• 기존의 핀-인-홀 전략을 접촉 모델 기반과 접촉 모델 프리 카테고리로 분류한다.
• 모델 기반 접근에서의 접촉 상태 인식과 순응 제어를 분석한다.
• 모델 프리 접근에서 시연 학습(LFD)과 강화학습 기반 방법을 조사한다.
• 전통적 모델과 데이터 기반 학습 간의 연결 원리를 논의하고 해결해야 할 과제를 식별한다.

제안 방법

• 핀-인-홀 조립에 관한 문헌을 두 개의 주요 계보로 검토하고 분류한다: 접촉 모델 기반과 접촉 모델 프리 방법.
• 접촉 모델 기반에서 접촉 상태 인식(해석적 대 통계적)과 컴플라이언트 제어(저수준 제어와 고수준 계획)를 분석한다.
• 접촉 모델 프리에서 시연으로부터의 학습(LFD)과 환경으로부터의 학습(LFE, 강화학습 및 모델 기반 RL 논의를 포함)을 구분한다.
• 접촉 상태 인식 기법에 대해 보고된 지표(성공률, 계산 시간)로 방법들을 비교한다.
• 모델 기반과 모델 프리 패러다임 간의 인터페이스를 요약하여 하이브리드 접근법과 향후 연구 방향을 제시한다.

실험 결과

연구 질문

• RQ1 핑-인-홀 조립에서 접촉 모델 기반 제어와 접촉 모델 프리 학습의 주요 특징과 한계는 무엇인가?
• RQ2 시연 학습(LFD)과 강화학습 기반 전략은 강건성, 데이터 효율성, 일반화 측면에서 어떻게 비교되는가?
• RQ3 전통적 접촉 모델과 시연으로부터의 암시적 학습 간의 연결 원리는 무엇인가?
• RQ4 실제 조립에 이 전략들을 통합할 때 나타나는 주요 과제와 향후 방향은 무엇인가?

주요 결과

• 해석적 접촉 상태 인식은 불확실성에 민감하고 새로운 환경에 일반화되지 않을 수 있다.
• 통계적 방법(GMM, SVM)은 접촉 상태 인식의 일반화에 더 나은 성능을 제공하지만 정확도와 계산의 트레이드오프가 있다.
• HMM은 시간 정보를 포함시켜 핀-인-홀 조립에서 상태 전이 인식을 개선할 수 있다.
• 시연 학습(LFD)과 강화학습 기반 방법은 가변성 및 비구조적 환경을 유연하게 처리하며, LFD의 인코딩 전략으로 DMPs, GMMs, HMMs를 포함한다.
• 표 II는 인식 방법의 비교 성능을 보고하며, 예로 GMM/DSM-GMM의 성공률 94.4%, SVM 기반 방법의 64.2%, SGB의 60.7%를 제시한다(다양한 트레이드-오프와 함께).
• 모델 기반 RL 논의는 핀-인-홀 작업에서 사전 지식과 학습을 융합할 때 잠재적 이점을 시사한다.