[논문 리뷰] Friction Variability in Auto-collected Dataset of Planar Pushing Experiments and Anisotropic Friction.

Daolin Ma, Alberto Rodríguez|arXiv (Cornell University)|2018. 02. 27.

Robot Manipulation and Learning참고 문헌 15인용 수 3

한 줄 요약

이 논문은 자동으로 수집된 평면 푸시 데이터셋에서 마찰력 변동성을 분석하여 관측된 확률적 성격과 다중 모달성의 원인으로 재료의 비균일성, 마찰 이방성, 데이터 수집 동역학을 규명한다. 제안된 이방성 마찰 모델은 등방성 모델 대비 편향을 감소시키고 예측 정확도를 향상시키며, 데이터 수집 과정 자체가 학습된 마찰 모델에 체계적인 오차를 유도할 수 있음을 입증한다.

ABSTRACT

Friction plays a key role in manipulating objects. Most of what we do with our hands, and most of what robots do with their grippers, is based on the ability to control frictional forces. This paper aims to better understand the variability and predictability of planar friction. In particular, we focus on the analysis of a recent dataset on planar pushing by [1] devised to create a data-driven footprint of friction. We show in this paper how we can explain a significant fraction of the observed unconventional phenomena, e.g., stochasticity and multi-modality, by combining the effects of material non-homogeneity, anisotropy of friction and biases due to data collection dynamics. We introduce an anisotropic friction model and conduct simulation experiments comparing with more standard isotropic friction models. The anisotropic friction between object and supporting surface results in convergence of initial condition during the automated data collection. Numerical results confirm that the anisotropic friction model explains the bias in the dataset and the apparent stochasticity in the outcome of a push. The fact that the data collection process itself can originate biases in the collected datasets, resulting in deterioration of trained models, calls attention to the data collection dynamics.

연구 동기 및 목표

• 평면 푸시 실험에서 예측 불가능성의 원인을 이해하기 위해, 특히 결과의 명백한 확률적 성격과 다중 모달성의 원인을 규명한다.
• 재료의 비균일성과 마찰 이방성이 실제 데이터셋에서 관측된 마찰력 변동성에 기여하는 방식을 조사한다.
• 데이터 수집 동역학이 데이터 기반 마찰 학습에서 성능 저하를 초래할 수 있는 체계적 편향을 유도하는지 평가한다.
• 기존의 등방성 모델보다 데이터셋의 행동을 더 잘 설명하는 이방성 마찰 모델을 개발하고 검증한다.
• 실제 세계 데이터 기반 로봇 조작 정책을 훈련할 때 데이터 수집 동역학을 고려하는 것이 얼마나 중요한지 강조한다.

제안 방법

• 마찰력의 방향 의존성을 반영하기 위해 이방성 마찰 모델을 수립하였으며, 정규 성분과 접선 성분을 포함하고 방향에 따라 달라지는 계수를 적용한다.
• 이 모델은 자동으로 수집된 평면 푸시 데이터셋의 조건을 재현하기 위해 시뮬레이션 환경에 통합된다.
• 직접 비교를 위해 제안된 이방성 모델과 기존의 등방성 마찰 모델을 모두 사용하여 시뮬레이션을 수행한다.
• 시뮬레이션의 초기 조건은 실제 데이터 수집 과정에서 관측된 수렴 행동을 반영하도록 조정된다.
• 통계적 분석을 통해 두 모델의 예측 결과를 실제 데이터셋의 궤적과 비교하여 편향과 예측 정확도를 평가한다.
• 로봇의 운동 패tern과 접촉 일관성과 같은 데이터 수집 동역학의 영향을 데이터셋의 체계적 편향 원인으로 모델링한다.

실험 결과

연구 질문

• RQ1 재료의 비균일성과 마찰 이방성이 평면 푸시 결과의 관측된 변동성에 얼마나 기여하는가?
• RQ2 데이터 수집 동역학은 초기 조건 수렴 측면에서 데이터셋의 편향에 어떻게 기여하는가?
• RQ3 이방성 마찰 모델링은 등방성 모델 대비 푸시 결과의 명백한 확률적 성격을 줄일 수 있는가?
• RQ4 이방성 모델의 성능은 실제 세계의 푸시 궤적 예측에서 등방성 모델 대비 어떻게 비교되는가?
• RQ5 이러한 데이터 유도 편향은 데이터 기반 로봇 조작 정책 훈련에 어떤 영향을 미치는가?

주요 결과

• 제안된 이방성 마찰 모델은 자동으로 수집된 푸시 데이터셋을 시뮬레이션할 때 등방성 모델 대비 예측 오차를 크게 감소시킨다.
• 모델은 실제 데이터 수집 과정에서 관측된 초기 조건의 수렴 행동을 성공적으로 설명하며, 이는 등방성 가정과 일치하지 않는다.
• 푸시 결과의 명백한 확률적 성격의 상당 부분은 진정한 무작위성보다는 모델링되지 않은 이방성과 재료의 비균일성 때문임을 규명하였다.
• 데이터 수집 과정 자체가 체계적 편향을 유도하며, 특히 초기 상태의 분포에 영향을 미쳐 학습된 모델의 성능 저하를 초래할 수 있다.
• 시뮬레이션 결과는 이방성 모델이 특히 다중 모달 결과 영역에서 데이터셋의 행동을 더 정확하게 캡처함을 확인하였다.
• 연구 결과는 로봇 분야에서 신뢰할 수 있는 데이터 기반 마찰 모델링을 위해 데이터 수집 동역학을 명시적으로 모델링하거나 고려해야 한다는 점을 시사한다.