[논문 리뷰] Dexterous Manipulation Primitives for the Real Robot Challenge

Claire Chen, Krishnan Srinivasan외 8명|arXiv (Cornell University)|2021. 01. 27.

Robot Manipulation and Learning참고 문헌 4인용 수 4

한 줄 요약

이 논문은 Real Robot Challenge에서 삼각손가락 로봇이 미세한 직육면체를 제어하기 위해 세 가지 다재미 있는 조작 프리미티브—잡기, 뒤집기, 재배치—를 사용하는 모델 기반 접근법을 제시한다. 궤적 최적화와 프리미티브 순서를 위한 상태 기계를 조합함으로써, 이 방법은 초기 상태 변동성과 자세 추정 노이즈가 있는 상황에서도 모든 작업 수준에서 견고한 성능을 달성했으며, 실제 로봇에서 일관된 결과를 보이며 2등을 차지했다.

ABSTRACT

This report describes our approach for Phase 3 of the Real Robot Challenge. To solve cuboid manipulation tasks of varying difficulty, we decompose each task into the following primitives: moving the fingers to the cuboid to grasp it, turning it on the table to minimize orientation error, and re-positioning it to the goal position. We use model-based trajectory optimization and control to plan and execute these primitives. These grasping, turning, and re-positioning primitives are sequenced with a state-machine that determines which primitive to execute given the current object state and goal. Our method shows robust performance over multiple runs with randomized initial and goal positions. With this approach, our team placed second in the challenge, under the anonymous name "sombertortoise" on the leaderboard. Example runs of our method solving each of the four levels can be seen in this video (https://www.youtube.com/watch?v=I65Kwu9PGmg&list=PLt9QxrtaftrHGXcp4Oh8-s_OnQnBnLtei&index=1).

연구 동기 및 목표

• 실세계 로봇 환경에서 2cm×2cm×8cm 크기의 미세한 직육면체를 다재미 있게 조작하는 도전 과제 해결.
• 다양한 초기 및 목표 자세를 다루는 견고하고 일반화 가능한 방법 개발.
• 모델 기반 계획과 피드백 제어를 이용한 고정밀 재배치 및 방향 제어 가능하게 하기.
• 학습 기반 정책에 대한 의존도를 줄이고, 물리학을 고려한 최적화된 궤적을 통해 실제 환경에서의 신뢰성 향상.
• 시각 자세 추정 노이즈와 초기 상태 변동성에도 불구하고 다수의 실행에서 일관된 성능 달성.

제안 방법

• 조작 작업을 세 가지 핵심 프리미티브로 분해: 잡기(손가락 끝 운동으로 접촉점 도달), 뒤집기(테이블 위에서 직육면체 뒤집기), 재배치(들어 올리고 목표 자세로 이동).
• 알려진 역학, 운동학 및 접촉 제약 조건 하에 최적의 손가락 끝 궤적을 계산하기 위해 모델 기반 궤적 최적화 사용.
• 계획된 손가락 끝 궤적을 높은 정밀도로 추적하기 위해 단순화된 인덕턴스 제어기 적용.
• 현재 물체 자세와 목표 요구사항에 기반해 다음 프리미티브를 선택하는 상태 기계 구현. Level 1–3에서는 재배치 우선, Level 4에서는 뒤집기 추가.
• 직육면체의 짧은 축을 따라 세 손가락 핀치 그립을 위한 접촉점 사전 정의. 충돌 방지를 위해 손가락의 가까이에 있는 면에 따라 면 할당.
• Level 4에서는 위치 오차와 야위(_yaw) 방향 오차를 조합한 복합 보상 함수를 사용해 궤적 최적화를 목표 자세로 최소 오차로 유도.

실험 결과

연구 질문

• RQ1 모델 기반, 프리미티브 기반 접근법이 다양한 초기 및 목표 자세 조건에서 실제 로봇에서 견고하고 반복 가능한 미세한 직육면체 조작을 달성할 수 있는가?
• RQ2 단순화된 인덕턴스 제어를 사용한 궤적 최적화는 실제 동역학과 센서 노이즈를 다룰 때 얼마나 효과적인가?
• RQ3 사전 정의된 프리미티브를 사용하는 상태 기계가 복잡한 다재미 있는 조작 과제에서 엔드 투 엔드 학습보다 얼마나 뛰어난가?
• RQ4 자세 추정 노이즈는 모델 기반 조작 시스템의 성능에 어떤 영향을 미치며, 피드백 또는 제어 설계를 통해 신뢰성을 향상시킬 수 있는가?
• RQ5 학습된 정책과 최적 제어를 조합한 하이브리드 제어 정책은 재배치 과제에서 정체 상태 오차를 줄이는 데 얼마나 기여하는가?

주요 결과

• 이 방법은 Real Robot Challenge Phase 3에서 2등을 차지하여 랜덤 초기 및 목표 위치가 설정된 다수의 실행에서 높은 신뢰성 확보.
• 목표별로 세 번의 실행에 대한 중앙값 점수는 Level 1에서 -3,455에서 Level 4에서 -49,773까지 변동하며, 낮은 점수는 더 높은 오차를 의미하므로 자세 변동성에도 불구하고 일관된 성능 보여줌.
• 실제 로봇에서 모든 세 가지 프리미티브—잡기, 뒤집기, 재배치—가 성공적으로 실행되었으며, 뒤집기 프리미티브가 Level 4 성공에 핵심적 역할.
• 정확한 모델 가정에도 불구하고 시각 트래커에서 유도된 자세 추정 노이즈가 성능 변동의 주요 원인이었으며, 특히 초기 자세가 넓게 변동하는 Level 4에서 두드러짐.
• 재배치 과정에서 정체 상태 오차가 관찰되어 피드백 통합 또는 학습된 보정을 통해 정확도 향상 가능.
• 시뮬레이션에서 학습된 Push-Turn 정책을 테스트했으나 최종 실제 로봇 제출에서는 높은 변동성으로 인해 기각되었으며, 이는 실제 구현에서 최적 제어기가 더 뛰어난 성능을 보임을 확인.