[논문 리뷰] Hypothesis-based Belief Planning for Dexterous Grasping

Claudio Zito, Valerio Ortenzi외 4명|arXiv (Cornell University)|2019. 03. 13.

Robot Manipulation and Learning참고 문헌 27인용 수 13

한 줄 요약

이 논문은 6차원 비정규 분포 자세 불확실성 하에서 유연한 팔다리 제어를 위한 가설 기반 신념 계획 프레임워크인 IR3ne를 제안한다. 점군 물체 모델을 사용하여 촉각 정보 수익을 다이내믹한 도달-잡기 경로에 통합함으로써, 사전 정의된 메시나 잡기 자세가 필요 없이 동시에 불확실성을 감소시키고 잡기를 수행한다. 이로 인해 기준 방법 대비 첫 시도 성공률이 최대 50% 높아졌다.

ABSTRACT

Belief space planning is a viable alternative to formalise partially observable control problems and, in the recent years, its application to robot manipulation problems has grown. However, this planning approach was tried successfully only on simplified control problems. In this paper, we apply belief space planning to the problem of planning dexterous reach-to-grasp trajectories under object pose uncertainty. In our framework, the robot perceives the object to be grasped on-the-fly as a point cloud and compute a full 6D, non-Gaussian distribution over the object's pose (our belief space). The system has no limitations on the geometry of the object, i.e., non-convex objects can be represented, nor assumes that the point cloud is a complete representation of the object. A plan in the belief space is then created to reach and grasp the object, such that the information value of expected contacts along the trajectory is maximised to compensate for the pose uncertainty. If an unexpected contact occurs when performing the action, such information is used to refine the pose distribution and triggers a re-planning. Experimental results show that our planner (IR3ne) improves grasp reliability and compensates for the pose uncertainty such that it doubles the proportion of grasps that succeed on a first attempt.

연구 동기 및 목표

• 실세계 환경에서 고차원적 비정규 분포 6차원 자세 불확실성 하에서의 다이내믹한 잡기 과제를 해결하기 위해.
• 새로운 물체의 사전 계산된 잡기 자세나 메시 모델이 필요 없도록 하기 위해.
• 신념 공간에서의 능동적 촉각 계획을 통해 정보 수집과 잡기 작동을 동시에 수행하기 위해.
• 불완전하거나 모호한 점군 관측이 존재하는 상황에서도 잡기 신뢰성을 향상시키기 위해.
• 효율적인 계획 및 재계획 수립을 지원하는 확장 가능한 비모수적 신념 표현을 개발하기 위해.

제안 방법

• 계획자는 고차원의 신념 상태를 고정된 차원의 표본화된 자세 가설 집합으로 투영하기 위해 가설 기반 접근을 사용한다.
• 점군 물체 모델(PCOMs) 기반의 촉각 관측 모델을 정의하여 물체의 볼록성 가정 없이도 접촉 기반의 신념 갱신을 가능하게 한다.
• 도달-잡기 경로를 따라 기대 정보 수익을 최대화함으로써 물리적 공간에 정보 가치를 직접 통합한다.
• 비볼록 물체의 충돌 검출을 점군 기반의 근접도 체크를 통해 수행하여 정확한 접촉 예측을 가능하게 한다.
• 기대치 못한 접촉 발생 시 순차적 재계획을 수행하여 신념 상태를 정밀화하고 실시간으로 경로를 조정한다.
• 가우시안 가정을 피하고, 탐색에서 실행으로의 전환을 위한 사용자 정의 신뢰 수준 임계값이 필요 없도록 한다.

실험 결과

연구 질문

• RQ1 다이내믹한 조작에서 고차원적 비정규 분포 6차원 자세 불확실성에 대해 신념 공간 계획이 효과적으로 스케일링 가능한가?
• RQ2 사전에 잡기 자세를 계산하지 않고도 도달-잡기 운동 중에 촉각 정보 수익을 능동적으로 최대화할 수 있는가?
• RQ3 메시 모델이나 볼록성 가정 없이 계획자가 얼마나 높은 잡기 성공률을 달성할 수 있는가?
• RQ4 기대치 못한 접촉을 기반으로 한 순차적 재계획이 실세계 환경에서의 잡기 신뢰성 향상에 얼마나 기여하는가?
• RQ5 비모수적 신념 표현이 불완전하거나 노이즈가 많은 관측 조건에서도 정확성을 유지하면서 효율적인 계획을 가능하게 하는가?

주요 결과

• IR3ne는 신념 상태를 고려하지 않는 계획자 대비 첫 시도 성공 비율을 최대 50% 높였다.
• 시스템은 메시나 핸들이 보이지 않는 대칭 잔디와 같이 관측이 불완전하거나 오해의 소지가 있는 물체를 성공적으로 잡았다. 이는 물체의 진짜 자세에 대한 사전 지식이 없이도 가능했다.
• 정보 수익을 경로에 직접 통합함으로써 다수의 재계획 반복 횟수를 줄였고, 50%의 경우에서 단일 시도 내에 수렴함을 확인했다.
• 평균 이동 자세 추정기가 자세의 방향을 최대 180도 오차를 내더라도, 기준 방법 대비 높은 신뢰성으로 성능을 유지했다.
• 기대치 못한 접촉은 효과적으로 신념 갱신 트리거로 작용하여 예측 모델 없이도 견고한 적응이 가능했다.
• 프레임워크는 능동적 촉각 계획이 동시에 불확실성을 감소시키고 잡기를 수행할 수 있음을 입증했으며, 별도의 탐색 및 실행 단계가 필요 없음을 보여주었다.