[논문 리뷰] Experimental Force-Torque Dataset for Robot Learning of Multi-Shape Insertion

Giovanni De Magistris, Asim Munawar외 4명|arXiv (Cornell University)|2018. 07. 18.

Robot Manipulation and Learning참고 문헌 7인용 수 6

한 줄 요약

이 논문은 UR5 로봇과 6축 힘토크센서를 사용하여 수집한 공개된 실험적 힘토크 데이터셋을 제안하며, 다중형상 펜치 인홀 삽입 작업에 적합하다. 이 데이터셋은 기계학습 기반 제어 및 형상 인식을 가능하게 하며, 형상 인식 정확도가 81.01%에 이를 뿐 아니라, 힘토크 센서 피드백만으로도 실제 로봇 삽입 작업에서 100% 성공률를 달성한다. 이는 일시적인 접촉 역학이 정렬에 있어 중요함을 보여준다.

ABSTRACT

The accurate modeling of real-world systems and physical interactions is a common challenge towards the resolution of robotics tasks. Machine learning approaches have demonstrated significant results in the modeling of complex systems (e.g., articulated robot structures, cable stretch, fluid dynamics), or to learn robotics tasks (e.g., grasping, reaching) from raw sensor measurements without explicit programming, using reinforcement learning. However, a common bottleneck in machine learning techniques resides in the availability of suitable data. While many vision-based datasets have been released in the recent years, ones involving physical interactions, of particular interest for the robotic community, have been scarcer. In this paper, we present a public dataset on peg-in-hole insertion tasks containing force-torque and pose information for multiple variations of convex-shaped pegs. We demonstrate how this dataset can be used to train a robot to insert polyhedral pegs into holes using only 6-axis force/torque sensor measurements as inputs, as well as other tasks involving contact such as shape recognition.

연구 동기 및 목표

• 로봇 분야에서 접촉 중심 작업(예: 펜치 인홀 삽입)에 특화된 실제 물리적 상호작용 데이터셋의 부족 문제를 해결하기 위해.
• 기계학습 기반 접근법이 힘토크 센서 데이터만을 사용하여 삽입 정책과 형상 인식을 학습할 수 있도록 하기 위해.
• 피스 형상(3-200면체 다각형)의 제어된 변형과 정밀한 자세/힘 측정을 포함한 벤치마크 데이터셋을 제공하기 위해.
• 명시적 프로그래밍 없이도 실제 F/T 데이터를 기반으로 신경망을 훈련시켜 실제 로봇에 배포할 수 있음을 입증하기 위해.
• 향후 전이 학습, 시뮬레이션에서 실제 환경으로의 전이, 불확실성 하에서의 강건한 삽입 연구를 지원하기 위해.

제안 방법

• UR5 로봇과 Robotiq FT-150 센서를 사용하여 100Hz 속도로 힘토크 및 자세 데이터를 수집하면서 제어된 펜치 인홀 작업을 수행하였다.
• 정규 n각형 표면을 가진 다각형 펜치(3, 4, 5, 6, 200면체)와 일치하는 구멍을 사용하였으며, 손으로 정밀하게 정렬하여 캐치 유도 오차를 제거하였다.
• 11차원 상태 벡터(Fx, Fy, Fz, Mx, My, Mz, Px, Py, Pz, Az, t, 카운터(cont))를 기록하였으며, 이는 펜치의 구멍에 대한 위치 및 자세를 기준으로 하였다.
• 슬라이딩 윈도우 입력(매개변수: d=50ms, l=200ms, u=1000ms)을 사용하여 F/T 및 자세 시퀀스 기반으로 삽입 동작을 분류하기 위해 다층퍼셉트론(MLP)을 적용하였다.
• 임시적 단계와 안정 상태 단계를 별도로 훈련시켜, 작업 성공에 핵심 정보를 포함하는 역학적 특성이 어느 단계에 있는지 분석하였다.
• 학습된 정책을 실제 UR5 로봇에서 검증하였으며, 예측된 동작 기반의 힘/운동 명령을 사용하여 100% 성공률를 달성하였다.

실험 결과

연구 질문

• RQ1 시각이나 명시적 프로그래밍 없이도 힘토크 센서 데이터만으로 다중형상 펜치 인홀 삽입을 성공적으로 학습시킬 수 있는가?
• RQ2 접촉 상호작용의 어느 단계—임시적 또는 안정 상태—에서 정렬 및 삽입에 가장 유용한 신호가 포함되어 있는가?
• RQ3 펜치의 기하학적 형상(모서리 수)이 접촉 역학의 감지 가능성과 작업 성능에 어떤 영향을 미치는가?
• RQ4 학습된 정책이 힘토크 피드백만을 사용하여 다양한 펜치 형상 간에 얼마나 일반화되는가?
• RQ5 동일한 데이터셋을 사용하여 접촉 역학 기반의 형상 인식 모델을 훈련시킬 수 있는가?

주요 결과

• MLP를 사용한 형상 인식에서 F/T 데이터 기반으로 81.01%의 정확도를 달성하였으며, 펜치의 모서리 수가 많을수록 성능이 향상되었다.
• T1 작업(정렬)의 경우, 안정 상태 접촉 단계 데이터를 사용하고 1000ms 윈도우를 적용했을 때 최고 정확도 72.47%를 기록하였다.
• T2 작업(정렬)의 경우, 임시적 단계 데이터만을 사용하고 50ms 단위 스텝, 200ms 윈도우를 적용했을 때 최고 정확도 61.39%를 기록하였다.
• T2 작업에서는 임시적 단계가 핵심 정보를 포함하지만, T1 작업에서는 안정 상태 단계가 더 유용한 정보를 제공함을 확인하여, 작업에 따라 역학적 중요성이 다름을 시사한다.
• 입력으로 Fx, Fy, Mx, My만을 사용했을 때 T1 작업에서 최고 정확도 70.57%를 기록하였으며, 이는 Fz와 Mz가 결정에 기여도가 낮음을 시사한다.
• 학습된 정책는 평균 7.5회의 동작 후 2mm 오프셋에서 출발하여 힘토크 피드백만으로도 실제 로봇 삽입 실험에서 100% 성공률를 달성하였다.