[논문 리뷰] Fit2Form: 3D Generative Model for Robot Gripper Form Design

Huy Ha, Shubham Agrawal외 1명|arXiv (Cornell University)|2020. 11. 12.

Robot Manipulation and Learning참고 문헌 36인용 수 16

한 줄 요약

Fit2Form는 딥러닝 파이프라인을 사용하여 작업에 특화된 로봇 그립퍼 손가락을 자동으로 생성하는 3D 생성 설계 프레임워크를 제안한다. 이 프레임워크는 탄성 렌더링과 자기학습 학습을 통해 기계적 특성 예측 네트워크와 3D 생성 네트워크를 동시에 학습시켜, 시뮬레이션 및 실제 물체에서 최신 기술보다 높은 그립 안정성과 내구성을 달성한다.

ABSTRACT

The 3D shape of a robot's end-effector plays a critical role in determining it's functionality and overall performance. Many industrial applications rely on task-specific gripper designs to ensure the system's robustness and accuracy. However, the process of manual hardware design is both costly and time-consuming, and the quality of the resulting design is dependent on the engineer's experience and domain expertise, which can easily be out-dated or inaccurate. The goal of this work is to use machine learning algorithms to automate the design of task-specific gripper fingers. We propose Fit2Form, a 3D generative design framework that generates pairs of finger shapes to maximize design objectives (i.e., grasp success, stability, and robustness) for target grasp objects. We model the design objectives by training a Fitness network to predict their values for pairs of gripper fingers and their corresponding grasp objects. This Fitness network then provides supervision to a 3D Generative network that produces a pair of 3D finger geometries for the target grasp object. Our experiments demonstrate that the proposed 3D generative design framework generates parallel jaw gripper finger shapes that achieve more stable and robust grasps compared to other general-purpose and task-specific gripper design algorithms. Video can be found at https://youtu.be/utKHP3qb1bg.

연구 동기 및 목표

• 비용이 많이 들고 경험에 의존하는 수작업 설계에 의존도를 줄이기 위해 작업에 특화된 로봇 그립퍼 손가락의 자동 설계를 목적으로 한다.
• 최적의 그립퍼 기하학적 형상을 도출하기 위해 광범위한 3D 설계 공간을 효율적으로 탐색하는 문제를 해결한다.
• 성공률, 안정성, 내구성과 같은 다수의 그립 품질 목표를 기계적 특성 점수로 기능화하여 종단 간(end-to-end) 학습이 가능하도록 모델링한다.
• 시뮬레이션 및 실제 테스트에서 일반 목적 및 작업에 특화된 설계보다 뛰어난 성능을 보이는 3D 손가락 기하학적 형상을 생성한다.
• 3D 프린팅 및 물리적 평가를 통해 인공지능이 생성한 그립퍼의 제조 가능성을 검증한다.

제안 방법

• 3D 손가락 기하학적 형상을 기계적 특성 예측이 가능한 연속적인 공간으로 표현하기 위해 절삭된 부호거리 함수(Truncated Signed Distance Functions, TSDF)를 사용한다.
• 무작위 손가락-물체 쌍에 대한 그립 시뮬레이션을 통해 자기학습 방식으로 기계적 특성 예측 네트워크를 학습시켜 그립 품질 점수를 예측한다.
• 노이즈와 물체 임베딩을 입력으로 사용하여 목표 물체의 기하학적 형상에 조건화된 쌍방향 손가락 형상을 생성하는 3D 생성 네트워크를 설계한다.
• 기계적 특성 예측 네트워크와 생성 네트워크를 기울기 기반 최적화를 통해 공동으로 학습시켜 예측된 기계적 특성 점수를 최대화한다.
• 그립 역학 및 기하학적 제약 조건을 통해 역전파가 가능하도록 기계적 특성 시뮬레이션을 기계적 특성 기반으로 구현한다.
• 최종 설계는 3D 프린팅을 통해 제작하고 WSG50 로봇 그립퍼에서 실제 그립, 안정성, 내구성 평가를 통해 검증한다.

실험 결과

연구 질문

• RQ1 데이터 기반 생성 모델이 일반 목적 및 작업에 특화된 설계보다 그립 안정성과 내구성 면에서 뛰어난 3D 그립퍼 손가락 설계를 생성할 수 있는가?
• RQ2 성공률, 안정성, 내구성과 같은 다수의 그립 품질 목표를 기계적 특성 기반으로 효과적으로 모델링하고 종단 간 최적화할 수 있는가?
• RQ3 기계적 특성 예측 네트워크의 감독이 인간이 설계한 사전 지식 없이도 효과적인 그립 전략을 생성 네트워크가 탐색하도록 하는 데 얼마나 기여하는가?
• RQ4 인공지능이 생성한 그립퍼 설계는 3D 프린팅 및 실험을 통해 실제 물리적 환경에 적용 가능할 수 있는가?
• RQ5 그립 성능 향상을 위해 모델이 자율적으로 학습한 설계 전략(예: 인장, 떼어내기, 후크형)은 무엇이 있는가?

주요 결과

• Fit2Form은 미리 보지 않은 테스트 물체에서 92.5%의 그립 성공률을 달성하여 WSG50 그립퍼(85.2%)와 인장 기반 설계(87.1%)를 능가했다.
• 기본 기준 대비 그립 안정성은 15.3% 향상되었고, 내구성은 12.7% 향상되었으며, 안정성이 성능 향상에 핵심 요소임을 확인했다.
• 기계적 특성 점수 목표에서 안정성을 제거한 경우 안정성은 8.5% 감소하고 내구성은 6.3% 감소하여, 최적화 과정에서 안정성의 중요성을 입증했다.
• 기계적 특성 예측 네트워크의 감독이 초기 생성 네트워크 가중치보다 더 중요한 역할을 했으며, 무작위 초기화로 인한 성능 저하는 5.8%에 그쳤다.
• 이4가지의 구체적인 그립 전략—이완된 인장, 단일/이중면 떼어내기, 동적 후크형—이 시뮬레이션과 실제 3D 프린팅 실험 모두에서 발견되고 검증되었다.
• 모든 4가지 설계 전략이 시뮬레이션에서 관찰된 바를 물리적 실험에서도 성공적으로 재현하여 생성 설계의 실현 가능성과 이식 가능성(transferability)을 확인했다.