[논문 리뷰] Initial Experiments on Learning-Based Randomized Bin-Picking Allowing Finger Contact with Neighboring Objects

Kensuke Harada, Weiwei Wan외 4명|arXiv (Cornell University)|2016. 07. 11.

Robot Manipulation and Learning참고 문헌 10인용 수 3

한 줄 요약

이 논문은 주변 물체의 시각적 포인트 클라우드 데이터를 기반으로 디스크림이너를 훈련시켜 그립 성공 여부를 예측함으로써 이웃 물체와의 손가락 접촉을 허용하는 학습 기반의 랜덤화된 박스 피킹 방법을 제안한다. 선형 SVM 및 랜덤 포레스트 분류기를 사용하여, 예측된 실패 사례를 기각함으로써 성공률을 크게 향상시켰으며, 이는 전통적인 충돌 방지 접근 방식보다 더 높은 내성 확보를 위해 학습된 접촉 구성 정보를 활용한 결과이다.

ABSTRACT

This paper proposes a novel method for randomized bin-picking based on learning. When a two-fingered gripper tries to pick an object from the pile, a finger often contacts a neighboring object. Even if a finger contacts a neighboring object, the target object will be successfully picked depending on the configuration of neighboring objects. In our proposed method, we use the visual information on neighboring objects to train the discriminator. Corresponding to a grasping posture of an object, the discriminator predicts whether or not the pick will be successful even if a finger contacts a neighboring object. We examine two learning algorithms, the linear support vector machine (SVM) and the random forest (RF) approaches. By using both methods, we demonstrate that the picking success rate is significantly higher than with conventional methods without learning.

연구 동기 및 목표

• 손가락이 이웃 물체와 접촉하는 것이 피할 수 없는 혼잡한 환경에서 랜덤화된 박스 피킹의 성공률을 향상시키는 것.
• 기존 방법이 충돌이 없는 그립 자세를 요구함으로써 타당한 해답을 찾지 못하는 한계를 해결하는 것.
• 이웃 물체의 시각적 특징과 접촉 구성 정보를 바탕으로 그립 성공 여부를 예측하는 학습 기반 디스크림이너를 개발하는 것.
• 다양한 학습 알고리즘—선형 SVM 및 랜덤 포레스트—이 접촉 조건 하에서 그립 성공 여부를 예측하는 데 어떻게 비교되는지 평가하는 것.
• 정밀한 부품 공급 또는 수동 정렬에 의존하는 것을 줄임으로써 산업 현장에서 실용적이고 견고한 박스 피킹을 가능하게 하는 것.

제안 방법

• 이중 손가락 로봇 그립퍼가 무작위로 쌓인 물체에 대해 랜덤화된 박스 피킹을 수행하며, 접근 중 이웃 물체와의 손가락 접촉을 허용한다.
• 물체 군집의 시각적 포인트 클라우드 데이터를 캡처하고, 이로부터 주변 물체의 공간 분포를 나타내는 특징을 추출한다.
• 선형 SVM 또는 랜덤 포레스트를 사용하여 디스크림이너를 훈련시켜, 손가락이 이웃 물체와 접촉하더라도 그립이 성공할지 여부를 분류한다.
• 디스크림이너는 포인트 클라우드 분포에서 유도된 고차원 특징 벡터를 사용하여 복잡한 접촉 구성 정보를 모델링한다.
• 역기구학 및 충돌 검사를 통해 그립 자세를 생성하고 필터링하며, 디스크림이너를 사용해 사전에 타당하고 성공 가능성이 높은 자세를 선별한다.
• 시스템은 후보 자세의 데이터베이스에서 디스크림이너가 예측한 성공 사례를 우선순위로 하는 그립 자세를 선택한다.

실험 결과

연구 질문

• RQ1 학습 기반 디스크림이너는 박스 피킹 중 손가락이 이웃 물체와 접촉하더라도 성공적인 그립을 예측할 수 있는가?
• RQ2 선형 SVM 및 랜덤 포레스트와 같은 다양한 학습 알고리즘이 접촉 조건 하에서 그립 성공 여부를 예측하는 데 어떻게 비교되는가?
• RQ3 고차원 특징 벡터를 사용하면 혼잡한 환경에서 그립 성공 예측 정확도가 향상되는가?
• RQ4 기존의 충돌 방지 계획 대비 제안된 방법이 얼마나 높은 성공률 향상을 이룰 수 있는가?
• RQ5 예측된 실패 사례를 기각함으로써 비록 尝시 빈도가 감소하더라도 시스템의 신뢰도를 높일 수 있는가?

주요 결과

• 랜덤 포레스트 기반 디스크림이너는 예측된 실패 사례를 기각한 결과 92.9%의 성공률을 기록하여 기존 방법보다 뚜렷이 향상되었다.
• 선형 SVM 기반 디스크림이너는 예측된 성공 사례만을 尝시한 결과 100%의 성공률을 달성하여 실패를 걸러내는 데 있어 매우 높은 신뢰성을 보였다.
• 랜덤 포레스트 방법은 선형 SVM을 능가하여 78.0%의 시도에서 성공으로 판단한 반면, SVM은 66.0%에 그쳤으며, 이는 고차원 특징에서의 보다 우수한 일반화 능력을 시사한다.
• 50회의 시도 중 42회가 성공했으며, 그 중 39회는 정확하게 성공으로 예측된 것으로 확인되어 강력한 예측 정확도를 입증했다.
• 실험적 스냅샷과 스위프트 볼륨 분석을 통해 손가락이 이웃 물체와 접촉하는 상황에서도 시스템이 성공적인 피킹을 수행하는 것으로 확인되었다.
• 이 방법은 히وري스틱 규칙에 대한 의존도를 감소시켰으며, 향후 다손가락 손잡이에의 확장 가능성도 입증하였다.