[논문 리뷰] IKEA Furniture Assembly Environment for Long-Horizon Complex Manipulation Tasks

Youngwoon Lee, Edward S. Hu외 3명|arXiv (Cornell University)|2019. 11. 17.

Reinforcement Learning in Robotics인용 수 7

한 줄 요약

이 논문은 장기적인 시점의 로봇 조작 작업을 위한 현실적이고 확장 가능한 시뮬레이션 기준을 제공하는 IKEA 가구 조립 환경을 소개한다. 이 환경은 80개 이상의 가구 모델, 여러 로봇 에이전트(Sawyer, Baxter, Cursor), 도메인 랜덤라이제이션, 고해상도 렲링을 지원하며, 시뮬레이션에서 실제 환경으로의 전이 능력을 갖춘 복잡한 조립 작업에 대한 인식, 계획, 제어 연구를 가능하게 한다.

ABSTRACT

The IKEA Furniture Assembly Environment is one of the first benchmarks for testing and accelerating the automation of complex manipulation tasks. The environment is designed to advance reinforcement learning from simple toy tasks to complex tasks requiring both long-term planning and sophisticated low-level control. Our environment supports over 80 different furniture models, Sawyer and Baxter robot simulation, and domain randomization. The IKEA Furniture Assembly Environment is a testbed for methods aiming to solve complex manipulation tasks. The environment is publicly available at https://clvrai.com/furniture

연구 동기 및 목표

• 장기적인 시점의 로봇 조작 작업을 위한 표준화되고 현실적인 시뮬레이션 환경의 부족을 해결하기 위해.
• 복잡한 조립 작업을 위한 고수준 계획, 저수준 제어, 시각적 인식을 통합한 기준을 제공하기 위해.
• 텍스처, 조명, 배경 및 물리적 특성에 걸쳐 도메인 랜덤라이제이션을 통해 시뮬레이션에서 실제 환경으로의 전이를 가능하게 하기 위해.
• 합성 데이터를 사용하여 강화학습, 이민학습, 계층적 계획, 인식 분야의 다양한 연구를 지원하기 위해.
• 현실 세계의 자율 조작 기술을 향상시키기 위해 현실적이고 다양한 가구 조립 시나리오를 기반으로 한 시험 플랫폼으로 기능하기 위해.

제안 방법

• 환경는 로봇 에이전트를 사용해 부품 선택, 캐치, 정렬, 연결을 포함하는 계층적 작업으로 가구 조립을 시뮬레이션한다.
• 물리 시뮬레이션은 MuJoCo를 활용하고, 고품질로 구성 가능한 렌더링과 도메인 랜덤라이제이션을 통합하기 위해 Unity를 통합한다.
• 토크 제어, 역운동학, 동작 프리미티브를 갖춘 여러 로봇 모델(Sawyer, Baxter, Cursor)을 지원한다.
• 에이전트의 인식과 행동을 위한 RGB, 깊이, 세그멘테이션 마스크, 목표 상태를 포함한 풍부한 관측값을 제공한다.
• 텍스처, 조명, 시나리오 구성 등 다양한 요소에 걸쳐 도메인 랜덤라이제이션을 적용하여 시뮬레이션에서 실제 환경으로의 일반화 성능을 향상시킨다.
• 3D 객체 검출, 자세 추정, 시나리오 이해를 위한 훈련용 인식 모델을 위해 진짜 레이블(자세, 형상, 세그멘테이션, 시나리오 그래프)을 갖춘 합성 데이터셋을 생성한다.

실험 결과

연구 질문

• RQ1 어떻게 시뮬레이션 환경이 계획과 정밀 제어가 모두 필요한 장기적이고 계층적인 조작 작업을 지원할 수 있는가?
• RQ2 복잡한 가구 조립 작업에서 시뮬레이션에서 실제 환경으로의 전이를 가능하게 하는 데 도메인 랜덤라이제이션은 어떤 역할을 하는가?
• RQ3 다양한 가구 구성이 있는 현실적이고 시각적으로 풍부한 환경에서 이민학습 및 강화학습 방법의 효과성은 어떠한가?
• RQ4 계층적 및 모델 기반 강화학습 접근법은 복잡하고 다단계의 조립 작업을 성공적으로 분해하고 해결할 수 있는가?
• RQ5 이 환경에서 생성된 합성 데이터를 효과적으로 활용해 실세계 배포를 위한 시각적 인식 모델을 훈련할 수 있는가?

주요 결과

• IKEA 가구 조립 환경는 80개 이상의 서로 다른 가구 모델을 지원하여 조작 알고리즘의 다양하고 확장 가능한 기준 테스트를 가능하게 한다.
• 텍스처, 조명, 배경에 걸쳐 도메인 랜덤라이제이션을 통합함으로써 시뮬레이션에서 실제 환경으로의 정책 일반화 성능이 크게 향상된다.
• RGB, 깊이, 세그멘테이션 마스크, 시나리오 그래프를 포함한 풍부한 다중 모odal 관측값을 제공하여 종합적인 인식 및 제어 연구를 지원한다.
• 이 기준은 장기적인 시점의 복잡한 작업에서 계층적 강화학습, 이민학습, 모델 기반 계획 방법의 훈련 및 평가를 가능하게 한다.
• 3D 객체 검출, 자세 추정, 시나리오 이해를 위한 대규모 합성 데이터셋을 진짜 레이블과 함께 생성할 수 있다.
• MuJoCo와 Unity 렌더링의 조합을 통해 고속이고 현실적인 시뮬레이션을 구현할 수 있으며, 높은 시각적 정밀도를 확보해 효과적인 시뮬레이션에서 실제 환경으로의 전이를 지원한다.