[논문 리뷰] Inferring Object Properties from Incidental Contact with a Tactile-Sensing Forearm

Tapomayukh Bhattacharjee, James M. Rehg외 1명|arXiv (Cornell University)|2014. 09. 17.

Robot Manipulation and Learning참고 문헌 20인용 수 9

한 줄 요약

이 논문은 로봇 팔의 운동 중 발생하는 부수적인 촉각 접촉을 통해 물체의 성질—예를 들어 경도(고체 대 비고체)와 안정성(고정 대 이동 가능)을 추론하기 위해 은닉 마르코프 모델(HMMs)을 사용하는 것을 제안한다. 전체 팔에 설치된 촉각 센서의 저차원 특징(최대 힘, 접촉 면적, 접촉 운동)을 분석함으로써, 이 방법은 높은 교차 검증 정확도를 달성하고 새로운 속도 및 관절 스텝니스에 대해 효과적으로 일반화되며, 운동 변화에 대한 강건성에서 이전 방법들을 능가한다.

ABSTRACT

Abstract—Whole-arm tactile sensing enables a robot to sense properties of contact across its entire arm. By using this large sensing area, a robot has the potential to acquire useful infor-mation from incidental contact that occurs while performing a task. Within this paper, we demonstrate that data-driven methods can be used to infer mechanical properties of objects from incidental contact with a robot’s forearm. We collected data from a tactile-sensing forearm as it made contact with various objects during a simple reaching motion. We then used hidden Markov models (HMMs) to infer two object properties (rigid vs. soft and fixed vs. movable) based on low-dimensional features of time-varying tactile sensor data (maximum force, contact area, and contact motion). A key issue is the extent to which data-driven methods can generalize to robot actions that differ from those used during training. To investigate this issue, we developed an idealized mechanical model of a robot with a compliant joint making contact with an object. This model provides intuition for the classification problem. We also conducted tests in which we varied the robot arm’s velocity and joint stiffness. We found that, in contrast to our previous methods [1], multivariate HMMs achieved high cross-validation accuracy and successfully generalized what they had learned to new robot motions with distinct velocities and joint stiffnesses.

연구 동기 및 목표

• 로봇이 작업 수행 중 발생하는 부수적인 접촉을 통해 전체 팔의 촉각 센서를 활용하여 물체의 기계적 성질을 추론할 수 있도록 하는 것.
• 학습 중 사용된 운동과 다른 로봇 운동에 대해 물체 성질 추론의 일반화 문제를 해결하는 것.
• 팔 속도 및 관절 스텝니스의 변화에 따른 데이터 기반 방법의 강건성 평가.
• 로봇-물체 접촉 중의 촉각 분류 문제에 대한 직관적인 물리적 통찰을 제공하는 기계적 모델 개발.
• 다변량 HMM이 도약 운동 중에 수집된 시간에 따라 변화하는 촉각 센서 데이터로부터 효과적으로 학습하고 일반화할 수 있음을 보여주는 것.

제안 방법

• 다양한 물체를 향한 도약 운동 중에 시간에 따라 변화하는 촉각 데이터를 수집하기 위해 대면적 센서 어레이를 갖춘 촉각 센서가 장착된 팔을 사용하였다.
• 원시 촉각 신호에서 최대 힘, 접촉 면적, 접촉 운동 등의 저차원 특징을 추출하여 접촉 역학을 표현하였다.
• 다변량 은닉 마르코프 모델(HMMs)을 이러한 특징에 대해 학습시켜 두 가지 물체 성질—경도(고체 대 비고체)와 안정성(고정 대 이동 가능)—을 분류하였다.
• 로봇 관절이 유연한 상태에서 물체와 접촉하는 상황을 모델링하기 위해 유연한 로봇 관절의 기계적 모델을 개발하여 분류 작업과 접촉 역학에 대한 물리적 통찰을 제공하였다.
• 학습 데이터와 다른 로봇 팔 속도 및 관절 스텝니스로 수집된 데이터를 사용하여 일반화 능력을 평가하였다.
• 모델 성능 평가를 위해 교차 검증을 사용하였으며, 운동 변화에 따른 보류된 테스트 데이터의 정확도를 측정하였다.

실험 결과

연구 질문

• RQ1 데이터 기반의 HMM은 로봇 운동 중 발생하는 부수적인 촉각 접촉을 통해 물체의 경도와 안정성을 추론할 수 있는가?
• RQ2 HMM 기반 분류기는 속도 및 관절 스텝니스와 같은 새로운 로봇 운동 파rameter에 대해 얼마나 잘 일반화되는가?
• RQ3 부수적인 촉각 접촉 중의 로봇-물체 접촉을 단순화한 기계적 모델에서 어떤 물리적 통찰을 도출할 수 있는가?
• RQ4 저차원 촉각 특징(힘, 면적, 운동)이 물체 성질의 정확하고 일반화 가능한 분류에 어떻게 기여하는가?
• RQ5 다양한 로봇 역학 조건 하에서 이전 방법에 비해 다변량 HMM의 사용이 일반화 능력을 향상시키는가?

주요 결과

• 다변량 HMM은 부수적인 촉각 접촉 데이터로부터 물체의 경도와 안정성을 높은 교차 검증 정확도로 분류하는 데 성공하였다.
• HMM 기반 방법은 학습 데이터와 다른 속도 및 관절 스텝니스를 가진 새로운 로봇 운동에 대해 효과적으로 일반화되었으며, 운동 변화에 대한 강건성을 입증하였다.
• 기계적 모델은 접촉 역학에 대한 유용한 물리적 통찰을 제공하여 분류 작업 설계 및 해석에 기여하였다.
• 저차원 특징(최대 힘, 접촉 면적, 접촉 운동)의 사용은 복잡한 촉각 시계열 데이터를 효과적으로 표현하고 분류에 활용할 수 있게 하였다.
• 이 방법은 특히 로봇 운동 파rameter의 동적 변화 상황에서 이전 방법들보다 일반화 능력이 뛰어나 성능이 뛰어났다.
• 결과적으로, 일상적인 로봇 작업 중 발생하는 부수적인 접촉을 데이터 기반 모델을 통해 신뢰할 수 있는 물체 성질 추론에 활용할 수 있음을 시사한다.