[논문 리뷰] Grasp Learning by Sampling from Demonstration

P Zech, Justus Piater|arXiv (Cornell University)|2016. 11. 19.

Robot Manipulation and Learning참고 문헌 4인용 수 3

한 줄 요약

이 논문은 기하학적 형상 정보가 필요 없이 소수의 사용자에 의한 6차원 그립퍼 자세와 물체 자세만을 이용하여 물체의 그립퍼 가능성을 학습하는 모델리스, 능동적 그립 학습 방법을 제안한다. MCMC Kameleon과 일반화된 던지기 몬테카를로(GDMC)를 결합함으로써, 복잡한 비선형 분포에서 다각도의 고성능 그립퍼 자세를 탐색할 수 있으며, 정확한 기하학적 지식이 거의 없이도 혼잡한 환경에서도 견고한 성능을 달성한다.

ABSTRACT

Robotic grasping traditionally relies on object features or shape information for learning new or applying already learned grasps. We argue however that such a strong reliance on object geometric information renders grasping and grasp learning a difficult task in the event of cluttered environments with high uncertainty where reasonable object models are not available. This being so, in this paper we thus investigate the application of model-free stochastic optimization for grasp learning. For this, our proposed learning method requires just a handful of user-demonstrated grasps and an initial prior by a rough sketch of an object's grasp affordance density, yet no object geometric knowledge except for its pose. Our experiments show promising applicability of our proposed learning method.

연구 동기 및 목표

• 정확한 물체 기하학적 형상 정보가 확보되지 않은 혼잡하고 불확실한 환경에서의 로봇 그립 학습 문제를 해결하기 위해.
• 그립 학습에서 물체의 형상이나 기하 모델링에 대한 의존도를 줄여 실제 환경에서의 견고한 성능을 가능하게 하기 위해.
• 소수의 시연된 그립퍼 자세와 물체 자세만을 이용하여 그립퍼 가능도 밀도를 학습하는 방법을 개발하기 위해.
• 형상 기반 또는 해석적 계산을 피하면서도 6차원 그립퍼 자세 공간의 효율적 탐색을 가능하게 하는 확률적 최적화를 통해.

제안 방법

• 해당 방법은 메트로폴리스-한스팅스 기반 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용하여 기준 물체 자세에 대해 6차원 그립퍼 자세 공간을 탐색한다.
• MCMC Kameleon은 그립퍼 가능도 밀도의 공분산 구조를 적응적으로 학습하여 비선형적이고 복잡한 분포에서의 샘플링을 가능하게 한다.
• 일반화된 던지기 몬테카를로(GDMC)는 기존의 그립퍼 모드를 향해 제안을 유도함으로써 모드 간 혼합을 향상시켜 수렴성과 탐색 성능을 향상시킨다.
• 초기 우선 확률로는 그립퍼 가능도 밀도의 근사 스케치를 사용하고, 시연된 그립퍼 자세는 샘플링 과정의 초기 모드를 제공한다.
• 샘플링 과정은 전이 차원에서 경사 하강의 크기를 조절하는 파라미터 $ c $를 통해 편향이 가해지며, 탐색과 이용의 균형을 이룬다.
• 이 방법은 물체 자세가 알려져 있다고 가정하며, 물체 자세 추정이 필요 없도록 한다.

실험 결과

연구 질문

• RQ1 기하학적 물체 모델이나 형상 정보 없이도 그립퍼 가능도 밀도를 효과적으로 학습할 수 있는가?
• RQ2 소수의 시연된 그립퍼 자세가 6차원 자세 공간에서 다양한 고성능 그립퍼 자세를 탐색하는 데 얼마나 효과적인가?
• RQ3 비우호적, 약한, 강한 등 다양한 편향 전략이 샘플링 효율성과 그립퍼 다양성에 미치는 영향은 어떠한가?
• RQ4 이동 탐색을 제어하는 파라미터 $ c $가 그립 학습 과정의 성능와 내구성에 미치는 영향은 어떠한가?
• RQ5 적응형 공분산과 모드 인식 제안을 갖춘 MCMC 기반 샘플링이 혼잡한 환경에서 전통적인 형상 기반 또는 궤적 기반 그립 학습보다 우월한가?

주요 결과

• 제안된 방법은 최소한의 기하 지식 우선 정보를 바탕으로도 테스트된 모든 물체(pitcher, pan, plate)에서 수백 개의 그립퍼 자세를 지속적으로 탐색하였다.
• 약한 또는 강한 편향 전략을 사용할 경우, 평균 그립퍼 수는 pan에서 216 ± 46, plate에서 180 ± 46, pitcher에서 143 ± 48를 기록하여 편향 전략에 대해 뛰어난 내구성을 입증하였다.
• 탐색을 위한 최적의 제어 파라미터 $ c $ 값은 0.1에서 0.25 사이에 위치하며, 패닉과 같은 긴 물체의 경우 약간의 연장인 0.15가 최적임을 확인하였다.
• 너무 높은 $ c $ 값은 과도한 이동으로 인해 샘플러가 물체를 놓치게 하여 성능이 악화됨을 보였다.
• 분산도는 적절한 $ c $ 값에서 그립퍼 공간의 다양한 영역을 효과적으로 탐색하였음을 확인하였으며, 볼록 hull 면적의 증가를 통해 강력한 탐색 행동을 나타내었다.
• 이 방법은 물체 기하학적 정보 없이도 자세와 소수의 시연만으로 그립 학습을 효과적으로 수행할 수 있음을 입증하였으며, '눈먼' 그립 학습의 가능성을 입증하였다.