[논문 리뷰] Learning-based Feedback Controller for Deformable Object Manipulation

Biao Jia, Zhe Hu외 3명|arXiv (Cornell University)|2018. 06. 25.

Robot Manipulation and Learning참고 문헌 71인용 수 6

한 줄 요약

이 논문은 가시 특징과 가우시안 프로세스 회귀(GPR)를 사용하여 탄성 물체 조작을 위한 학습 기반 피드백 컨트롤러를 제안한다. 이는 로봇 종단 기구의 정확하고 실시간의 서보 제어를 가능하게 한다. 형태 표현을 위한 새로운 히스토GRAM of oriented wrinkles(HOW) 특징을 도입하고, 온라인 GPR 학습과 오프라인 이mitation 학습을 랜덤 포레스트를 통해 결합함으로써 다양한 조작 작업에서 강건하고 높은 성공률을 달성한다.

ABSTRACT

In this paper, we present a general learning-based framework to automatically visual-servo control the position and shape of a deformable object with unknown deformation parameters. The servo-control is accomplished by learning a feedback controller that determines the robotic end-effector's movement according to the deformable object's current status. This status encodes the object's deformation behavior by using a set of observed visual features, which are either manually designed or automatically extracted from the robot's sensor stream. A feedback control policy is then optimized to push the object toward a desired featured status efficiently. The feedback policy can be learned either online or offline. Our online policy learning is based on the Gaussian Process Regression (GPR), which can achieve fast and accurate manipulation and is robust to small perturbations. An offline imitation learning framework is also proposed to achieve a control policy that is robust to large perturbations in the human-robot interaction. We validate the performance of our controller on a set of deformable object manipulation tasks and demonstrate that our method can achieve effective and accurate servo-control for general deformable objects with a wide variety of goal settings.

연구 동기 및 목표

• 알 수 없는 변형 매개변수를 가진 탄성 물체의 정확하고 유연한 조작에 도전하는 것.
• 탄성 물체 상태의 특징 설계를 자동화하여 수동으로 작업에 특화된 특징 설계에 의존하는 것을 줄이는 것.
• 가시 특징을 로봇 종단 기구의 동작으로 매핑하는 피드백 컨트롤러를 개발하여 정밀한 조작을 가능하게 하는 것.
• 작은 외란(온라인 GPR를 통한)과 큰 외란(오프라인 이mitation 학습을 통한)에 모두 강건한 제어를 가능하게 하는 것.

제안 방법

• 2차원 이미지 데이터를 사용하여 고도로 탄성 물체의 형태 변화를 포착하기 위해 새로운 히스토GRAM of oriented wrinkles(HOW) 특징을 제안한다.
• 변형 함수의 온라인 학습을 위해 가우시안 프로세스 회귀(GPR)를 활용하여 실시간으로 정확한 피드백 제어를 가능하게 한다.
• 랜덤 포레스트가 특징 추출과 컨트롤러 파arametrization을 동시에 최적화하는 이중 단계의 이mitation 학습 프레임워크를 도입한다.
• 사전에 계산된 가시 피드백 사전을 사용한 희소 표현을 통해 제어 속도를 효율적으로 계산한다.
• 특징 추출과 컨트롤러 학습을 하나의 이mitation 학습 파이프라인으로 통합하여 변화하는 학습 데이터와 함께 공동 최적화를 가능하게 한다.
• 랜덤 포레스트 학습을 위한 최적의 동작 레이블을 도출하기 위해 메인-시프트 클러스터링을 적용하여 연속적인 제어 정책 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 사전 물리 모델 없이도 탄성 물체 조작을 위한 일반 목적의 가시 피드백 컨트롤러를 엔드 투 엔드로 학습할 수 있는가?
• RQ2 저차원의 학습 가능한 가시 특징을 사용하여 고도로 탄성 물체의 형태 변화를 효과적으로 포착할 수 있는가?
• RQ3 온라인 GPR 기반 학습이 실시간 로봇 조작에서 작은 외란에 대해 강건하고 정확한 제어를 달성할 수 있는가?
• RQ4 랜덤 포레스트 프레임워크를 사용한 오프라인 이mitation 학습이 큰 외란에 일반화되어 인간-로봇 상호작용의 강건성을 향상시킬 수 있는가?
• RQ5 특징 추출과 컨트롤러 설계를 공동 최적화하여 성능을 향상시키고 수동 조정을 줄일 수 있는가?

주요 결과

• 제안된 HOW 특징은 2차원 이미지 데이터를 사용하여 탄성 물체의 국소적 형태 변화를 효과적으로 포착하며, 낮은 계산 비용으로 정확한 표현을 가능하게 한다.
• 온라인 GPR 기반 컨트롤러는 다양한 DOM 작업에 대해 고정밀 서보 제어를 달성하며, 작은 외부 간섭에 대해 강건함을 입증한다.
• 이mitation 학습 기반의 랜덤 포레스트 컨트롤러는 큰 외란 조건에서도 높은 성공률을 달성하며, 오픈 루프 또는 순수 최적화 기반 방법보다 뛰어난 성능을 보인다.
• 이미테이션 학습을 통한 특징 추출과 컨트롤러 학습의 공동 최적화는 일반화 성능 향상과 수동 조정의 감소를 이끈다.
• 물리 모델에 대한 의존도를 최소화하면서도 벤치마크 DOM 작업 전반에서 높은 성공률을 달성한다. 복잡한 조작 작업인 천 평탄화 및 형태 조절 등에도 효과적이다.
• 프레임워크는 센서 노이즈와 환경 변화에 강건하지만, 조명과 색상에 대한 민감도는 여전히 한계로 남아 있다.