[논문 리뷰] Estimation and Exploitation of Objects' Inertial Parameters in Robotic Grasping and Manipulation: A Survey

Nikos Mavrakis, Rustam Stolkin|arXiv (Cornell University)|2019. 11. 11.

Robot Manipulation and Learning참고 문헌 98인용 수 54

한 줄 요약

이 종합 검토에서는 로봇 그립 및 조작에서 물체의 관성 파am터—질량, 질량중심, 관성 텐서—를 추정하고 활용하기 위한 방법들을 종합적으로 분류한다. 방법을 순수 시각적, 탐색적, 고정 물체 기반 추정 방법으로 분류하며, 관성 지식이 그립 계획, 조작 제어 및 双수 조작에 어떻게 기여하는지 보여주며, 방법론적 융합 및 로봇 분야 전반의 응용 맵핑에서 주요 기여를 한다.

ABSTRACT

Inertial parameters characterise an object's motion under applied forces, and can provide strong priors for planning and control of robotic actions to manipulate the object. However, these parameters are not available a-priori in situations where a robot encounters new objects. In this paper, we describe and categorise the ways that a robot can identify an object's inertial parameters. We also discuss grasping and manipulation methods in which knowledge of inertial parameters is exploited in various ways. We begin with a discussion of literature which investigates how humans estimate the inertial parameters of objects, to provide background and motivation for this area of robotics research. We frame our discussion of the robotics literature in terms of three categories of estimation methods, according to the amount of interaction with the object: purely visual, exploratory, and fixed-object. Each category is analysed and discussed. To demonstrate the usefulness of inertial estimation research, we describe a number of grasping and manipulation applications that make use of the inertial parameters of objects. The aim of the paper is to thoroughly review and categorise existing work in an important, but under-explored, area of robotics research, present its background and applications, and suggest future directions. Note that this paper does not examine methods of identification of the robot's inertial parameters, but rather the identification of inertial parameters of other objects which the robot is tasked with manipulating.

연구 동기 및 목표

• 로봇 분야에서 물체의 관성 파am터를 추정하는 기존 방법들을 체계적으로 분류하는 것.
• 순수 시각적, 탐색적, 고정 물체 기반 추정 기법의 강점과 한계를 분석하는 것.
• 관성 파am터가 로봇 그립 및 조작 성능 향상에 미치는 핵심적 역할을 입증하는 것.
• 현재 연구의 격차를 규명하고 데이터 기반 및 모델 기반 추정의 융합을 통한 향후 방향을 제안하는 것.

제안 방법

• 로봇-물체 상호작용 기반으로 관성 파am터 추정을 세 가지 범주로 분류: 순수 시각적(기하학적 정보 및 사전 지식 사용), 탐색적(밀거나 기울이는 활동적 상호작용), 고정 물체 기반(단단히 그립거나 고정하여 측정).
• 운동학 및 역학 방정식을 사용해 측정된 힘, 토크 및 운동으로부터 관성 파am터를 추론하는 모델 기반 추정 기법을 검토.
• 정확도 향상을 위한 기계학습을 포함한 데이터 기반 접근 방식을 분석하며, 특히 단일 밀기 추정과 같은 불안정 문제에 유용하다.
• 깊이 센서, 힘/토크 센서, 청각 피드백 등의 감지 모달리티를 분석하고, 관성 파am터 추정을 위한 데이터 확보에 미치는 영향을 고려.
• 특정 로봇 응용 분야에 추정 방법을 맵핑: 손 안에서의 조작, 박스에서의 물체 추출, 이중 팔 조작.
• 관성 파am터를 제어 프레임워크에 통합하는 데 초점을 맞추며, 닫힌 루프 역학 모델 및 토크 기반 계획과 같은 사례를 제시.

실험 결과

연구 질문

• RQ1 사람들은 관성 파am터를 어떻게 인지하고 활용하는가? 로봇 분야는 이를 어떻게 배울 수 있는가?
• RQ2 로봇의 관성 파am터 추정의 세 가지 주요 범주는 무엇이며, 상호작용 수준과 환경 적합성 측면에서 어떻게 다를까?
• RQ3 관성 파am터는 로봇 그립 및 조작 작업 성능에 어떻게 향상되는가?
• RQ4 현재 추정 방법의 주요 한계는 무엇이며, 특히 3차원 관성 텐서 전체를 추정하는 데서 나타나는가?
• RQ5 미래의 방법은 어떻게 시각적 사전 지식, 탐색적 행동, 데이터 기반 학습을 융합하여 최소한의 상호작용으로도 3차원 관성 추정 문제를 해결할 수 있는가?

주요 결과

• 순수 시각적 방법은 밀도 분포가 사전에 알려진 강력한 가정 하에 모든 관성 파am터를 추정할 수 있어 산업 환경에서 사전 물체 지식이 있는 경우에 적합하다.
• 탐색적 방법은 미지 환경에서 자율적인 관성 파am터 추정이 가능하지만, 다중 축 운동이 없이 3차원 관성 텐서 전체를 추정하지 못해 정확도에 한계가 있다.
• 고정 물체 기반 방법은 힘/토크 센서를 사용해 단단히 그립거나 고정된 상태에서 측정함으로써 높은 정확도를 달성하여 통제된 산업 환경에 이상적이다.
• 관성 파am터는 정확한 동역학 모델링과 토크 예측을 가능하게 하여 그립 안정성 향상, 재그립, 손 안에서의 조작 성능 향상에 기여한다.
• 박스에서 물체를 추출하거나 이중 팔 조작, 밀기 기반 재정렬과 같은 응용 분야는 효과적인 작업 수행을 위해 정확한 관성 파am터에 크게 의존한다.
• 시각적 사전 지식과 탐색적 행동 또는 데이터 기반 학습을 융합한 접근 방식은 최소한의 상호작용으로도 3차원 관성 추정의 불안정 문제를 해결할 수 있는 유망한 길을 제시한다.