[논문 리뷰] Learning Movement Assessment Primitives for Force Interaction Skills

Xiang Zhang, Athanasios Polydoros외 1명|arXiv (Cornell University)|2018. 05. 11.

Robot Manipulation and Learning참고 문헌 11인용 수 3

한 줄 요약

이 논문은 힘-상호작용 기술을 촉각 교육을 통해 평가하는 작업에 종속되지 않는 기계학습 기반 방법인 움직임 평가 원천(MAPs)을 제안한다. 이 방법은 근사적 레이어를 사용하여 시범과 재현 간의 와이어스트-힘 프로파일을 비교하고, 헬링거 거리로 유사도를 측정하며, 나이브 베이즈 분류기를 사용해 성공 확률을 분류한다. 산업용 나사 조임 및 스냅-피팅 작업에서 최대 93.33%의 정확도를 달성한다.

ABSTRACT

We present a novel, reusable and task-agnostic primitive for assessing the outcome of a force-interaction robotic skill, useful e.g.\ for applications such as quality control in industrial manufacturing. The proposed method is easily programmed by kinesthetic teaching, and the desired adaptability and reusability are achieved by machine learning models. The primitive records sensory data during both demonstrations and reproductions of a movement. Recordings include the end-effector's Cartesian pose and exerted wrench at each time step. The collected data are then used to train Gaussian Processes which create models of the wrench as a function of the robot's pose. The similarity between the wrench models of the demonstration and the movement's reproduction is derived by measuring their Hellinger distance. This comparison creates features that are fed as inputs to a Naive Bayes classifier which estimates the movement's probability of success. The evaluation is performed on two diverse robotic assembly tasks -- snap-fitting and screwing -- with a total of 5 use cases, 11 demonstrations, and more than 200 movement executions. The performance metrics prove the proposed method's capability of generalization to different demonstrations and movements.

연구 동기 및 목표

• 작업에 종속되지 않는 재사용 가능한 평가 방법을 개발하여, 작업에 특화된 재프로그래밍 없이도 로봇의 힘-상호작용 능력을 평가한다.
• 비전문가 사용자가 촉각 시범을 통해 로봇 기술을 가르치고 자동으로 성공 여부를 평가할 수 있도록 한다.
• 힘-상호작용 작업에서 다양한 시범, 초기 상태 및 목표 위치 간의 평가를 일반화한다.
• 강화 학습에 통합을 지원하기 위해 빠르고 데이터 효율적인 성능 평가를 제공한다.
• 산업 제조 및 협동 로봇 분야에서 로봇 기술의 적응성과 재사용성을 향상시킨다.

제안 방법

• 힘-토크 센서를 사용하여 인간의 시범과 로봇의 재현 동안 종단기구의 자세와 와이어스트 데이터를 수집한다.
• 로봇 자세에 따른 예상 와이어스트를 함수로 모델링하기 위해 가우시안 프로세스(GPs)를 훈련하여, 시범 및 재현 데이터로부터 와이어스트 모델을 생성한다.
• 시범과 재현의 GP 기반 와이어스트 모델 간의 헬링거 거리를 계산하여 유사도 측도로 사용한다.
• 헬링거 거리를 나이브 베이즈 분류기의 입력 특성으로 사용하여 움직임 성공 확률을 추정한다.
• 촉각 교육과 지도 학습을 사용하여 MAPs를 훈련시켜, 재프로그래밍 없이도 다양한 작업 간에 재사용할 수 있도록 한다.
• 다양한 움직임 상태와 시범 간 평가를 위해 떼어내기 교차검증을 적용한다.

실험 결과

연구 질문

• RQ1 촉각 시범에서 작업에 종속되지 않는 평가 원천을 학습하여, 작업에 특화된 지식 없이도 힘-상호작용 능력을 평가할 수 있는가?
• RQ2 MAP 방법은 힘-상호작용 작업에서 다양한 시범, 초기 상태 및 목표 위치로 일반화되는 정도는 어떠한가?
• RQ3 최소한의 훈련 데이터로 실세계 로봇 조립 작업에서 실패를 얼마나 잘 탐지할 수 있는가?
• RQ4 GP 기반 와이어스트 모델 간의 헬링거 거리는 성공한 움직임과 실패한 움직임을 얼마나 잘 구분하는가?
• RQ5 스레딩과 스냅-피팅과 같은 다른 로봇 작업 간에 재프로그래밍 없이도 MAP 프레임워크를 재사용할 수 있는가?

주요 결과

• MAP 방법은 떼어내기 교차검증을 사용하여 산업용 스냅-피팅 작업에서 93.33%의 평가 정확도, 산업용 나사 조임 작업에서 80%의 정확도를 달성했다.
• 실제 산업 환경에서는 실패 모드가 적고 일관성 있기 때문에, 토이 케이스 실험에 비해 일반화 성능이 더 높았다.
• 데이터 효율성이 뛰어나, 불균형한 스냅-피팅 데이터셋에서 실패 유형당 하나의 훈련 인스턴스만으로도 실패를 정확히 분류했다.
• 다른 시범으로의 일반화가 더 어려웠으며, 동일한 시범 케이스 대비 성능이 약 10% 감소했다.
• 혼동 행렬은 나사 조임 작업에서 클래스 편향이 없음을 보여주었고, 스냅-피팅의 불균형성에도 정확한 실패 탐지에 영향을 주지 않았다.
• 스레딩과 스냅-피팅과 같은 다른 작업으로 전환할 때는 재훈련만 필요로 하므로, 재프로그래밍 없이도 작업 간 재사용이 가능하다.