[논문 리뷰] Learning and Generalisation of Primitives Skills Towards Robust Dual-arm Manipulation

Èric Pairet, Paola Ardón외 3명|arXiv (Cornell University)|2019. 04. 02.

Robot Manipulation and Learning참고 문헌 22인용 수 10

한 줄 요약

이 논문은 학습된 기본 기술을 활용한 실시간 인간 모방 기반 프레임워크를 제안하여 복잡한 환경에서도 견고한 双수 조작을 구현한다. 학습을 통한 시범(LfD)을 통해 기술을 습득하고 조합함으로써 iCub 로봇은 예측 불가능한 장애물이 있는 환경에서도 성공적으로 옮기기 작업을 수행할 수 있었으며, 이는 동적 환경에서의 일반화 및 적응 능력을 입증한다.

ABSTRACT

Robots are becoming a vital ingredient in society. Some of their daily tasks require dual-arm manipulation skills in the rapidly changing, dynamic and unpredictable real-world environments where they have to operate. Given the expertise of humans in conducting these activities, it is natural to study humans' motions to use the resulting knowledge in robotic control. With this in mind, this work leverages human knowledge to formulate a more general, real-time, and less task-specific framework for dual-arm manipulation. The proposed framework is evaluated on the iCub humanoid robot and several synthetic experiments, by conducting a dual-arm pick-and-place task of a parcel in the presence of unexpected obstacles. Results suggest the suitability of the method towards robust and generalisable dual-arm manipulation.

연구 동기 및 목표

• 전문가 프로그래밍에 의존도를 줄이고 일반적이고 실시간적이며 작업에 특화되지 않은 双수 조작 프레임워크를 개발하는 것.
• 로봇이 인간의 시범에서 일반화하여 예측 불가능한 환경과 예기치 않은 장애물이 있는 동적 환경에서의 작업을 수행할 수 있도록 하는 것.
• 예를 들어 쥐기 유지, 장애물 회피와 같은 재사용 가능한 기본 기술 라이브러리(예: grasp maintenance, obstacle avoidance)를 구축하여 복잡한 작업을 수행할 수 있도록 하는 것.
• 인간의 유사한 민첩성과 적응 능력을 모방함으로써 로봇 자율성과 인간-로봇 호환성을 향상시키는 것.
• 학습된 기술을 활용해 실시간으로 경로를 재계획하고 반응적으로 대응함으로써 새로운 상황에서도 견고성을 향상시키는 것.

제안 방법

• 이중수 작업의 인간 시범에서 운동 프리미티브를 추출하기 위해 학습을 통한 시범(LfD)을 활용한다.
• 운동 기반 이동 프리미티브(DMP) 프레임워크를 사용하여 쥐기 유지 및 장애물 회피와 같은 개별 기술을 표현하고 일반화한다.
• 대칭 제어 법칙(식 14)을 적용하여 쥐기 안정성을 유지한다: $\mathbf{\dot{x}}_{C_{i}} = \mathbf{K}(\mathbf{D}_{d_{i}} - \mathbf{D}_{r_{i}})$, 여기서 $\mathbf{D}_{d_{i}}$ 는 물체 기준에서 접촉점까지의 목표 거리이다.
• YARP 로봇 플랫폼 기반의 실시간 반응형 제어 아키텍처를 활용하여 여러 기본 기술을 구현하고 조율한다.
• 실행 중에 여러 학습된 프리미티브(예: 경로 계획, 장애물 회피)를 조합하여 새로운 상황에서 적응형 행동을 가능하게 한다.
• 모의 iCub 플랫폼을 사용하며, 힘 센서가 모의되지 않은 점을 보완하기 위해 개조된 쥐기 유지 기술을 적용하여 안정적인 물체 취급을 확보한다.

실험 결과

연구 질문

• RQ1 로봇이 인간의 시범에서 이중수 조작 기술을 습득하고 일반화하여 실시간으로 예기치 않은 장애물이 있는 새로운 환경에 적응할 수 있는가?
• RQ2 실행 중에 기본 기술을 어떻게 조합하여 재프로그래밍 없이도 견고하고 반응적인 행동을 이룰 수 있는가?
• RQ3 로봇의 행동이 외부 요동이 있는 상황에서도 인간의 유사한 민첩성과 조율 능력을 얼마나 잘 모방할 수 있는가?
• RQ4 학습된 프리미티브의 모듈러 라이브러리가 다양한 작업과 물체에 걸쳐 확장 가능하고 재사용 가능한 조작 능력을 지원할 수 있는가?
• RQ5 실행 도중 장애물이 등장할 경우, 이 프레임워크가 쥐기 안정성과 경로 정확도를 얼마나 효과적으로 유지를 하는가?

주요 결과

• iCub 로봇은 예상치 못한 장애물이 있는 환경에서 파트너 물체를 옮기는 이중수 옮기기 작업을 성공적으로 수행하였으며, 실시간 재계획과 견고성을 입증하였다.
• 대칭 제어 법칙(식 14)을 통해 구현된 쥐기 유지 프리미티브는 물체를 놓거나 과도한 스트레스를 유발하지 않도록 안정적인 취급을 보장하였다.
• 운동 중 양쪽 종단기구 간의 정확한 동기화를 달성하여 작업 전반에 걸쳐 물체의 안정성을 유지하였다.
• 이 프레임워크는 장애물이 없는 상황과 장애물을 만난 상황 모두에서 성공적인 작업 수행을 가능하게 하여 그 적응 능력을 입증하였다.
• 결과적으로, 로봇이 단지 세 가지 학습된 기본 기술만으로도 새로운 조건에 적응하는 데 성공함으로써 일반화 잠재력이 높다는 점이 시사된다.
• 저자들은 향후 연구에서 실제 iCub 로봇에서 힘에 의존하는 프리미티브를 활용해 프레임워크를 검증할 계획이며, 현재 결과는 시뮬레이션 기반이지만 매우 유망하다고 언급한다.