[논문 리뷰] Learning to Grasp from a Single Demonstration

Pieter Van Molle, Tim Verbelen외 4명|ArXiv.org|2018. 06. 09.

Robot Manipulation and Learning참고 문헌 17인용 수 10

한 줄 요약

이 논문은 단일 시연를 통해 시각 피드백을 이용한 로봇 그립핑을 가능하게 하는 컨볼루션 신경망인 GraspNet을 제안한다. 데이터 증강과 Reptile를 통한 메타러닝을 활용하여, 단수백 회의 학습 반복만으로도 고정밀 그립 성공률을 달성함으로써, 물체가 위치가 변할 경우에도 견고한 그립핑을 가능하게 한다.

ABSTRACT

Learning-based approaches for robotic grasping using visual sensors typically require collecting a large size dataset, either manually labeled or by many trial and errors of a robotic manipulator in the real or simulated world. We propose a simpler learning-from-demonstration approach that is able to detect the object to grasp from merely a single demonstration using a convolutional neural network we call GraspNet. In order to increase robustness and decrease the training time even further, we leverage data from previous demonstrations to quickly fine-tune a GrapNet for each new demonstration. We present some preliminary results on a grasping experiment with the Franka Panda cobot for which we can train a GraspNet with only hundreds of train iterations.

연구 동기 및 목표

• 물체가 시범과 정확히 동일한 위치에 있지 않을 경우 실패하는 현재의 공동 로봇 프로그래밍 워크플로우의 한계를 해결한다.
• 단일 시범만을 사용하여 물체 위치 변화에 견고한 로봇 그립핑을 가능하게 한다.
• 메타러닝과 이전 시범 데이터를 활용하여 훈련 시간과 데이터 요구량을 줄인다.
• 기존의 프로그래밍-통한-시범 워크플로우에 원활하게 통합할 수 있도록 한다.
• 실시간 적응을 위한 시각 피드백을 사용하는 닫힘 루프 그립핑 컨트롤러를 개발한다.

제안 방법

• 성공적인 그립핑 동안 로봇의 종말에 장착된 상향 카메라로부터 단일 시범 이미지를 촬영한다.
• 단일 이미지 패치에서 그립핑 성공 여부를 예측하기 위해 컨볼루션 신경망(GraspNet)을 훈련시킨다.
• 단일 예제에서의 일반화 능력 향상을 위해 데이터 증강 기법을 적용한다.
• 이전 시범 데이터를 사용하여 메타러닝(Reptile)을 통해 GraspNet을 미세조정하여 수렴 속도를 높인다.
• GraspNet 예측 결과를 기반으로 그립퍼 동작을 실시간으로 조정하는 닫힘 루프 컨트롤러를 구현한다.
• 다양한 카메라 각도(예: 10° 회전)에서 배치 추론을 통해 방향성에 대한 내성 향상을 도모한다.

실험 결과

연구 질문

• RQ1 단일 시각 시범을 통해 고정밀도로 물체를 탐지하고 그립핑할 수 있는 딥러닝 모델을 훈련시킬 수 있는가?
• RQ2 메타러닝(Reptile)이 최소한의 데이터로 새로운 물체에 대한 그립핑 정책을 미세조정하는 데 얼마나 효과적인가?
• RQ3 데이터 증강과 다중시범 미세조정이 물체 위치 변화에 대한 일반화 능력과 내성에 얼마나 기여하는가?
• RQ4 제안된 방법이 실시간 닫힘 루프 제어에 통합되어 실시간 성능에 큰 지연 없이 적용될 수 있는가?
• RQ5 단일 시범 훈련 방식이 다중 시범 미세조정 및 메타러닝 접근 방식과 비교해 성능에서 어떻게 다른가?

주요 결과

• GraspNet은 다중시범 미세조정을 통해 블록 1에서 최대 0.999 ± 0.001의 테스트 정확도를 달성하여 단일 시범 훈련보다 뚜렷이 뛰어난 성능을 보였다.
• Reptile 메타러닝은 단수백 분의 일 수준의 학습 반복만으로도 다중시범 미세조정과 유사하거나 더 뛰어난 성능을 달성하였다.
• 블록 10의 경우 Reptile는 0.993 ± 0.002의 정확도를 기록하여 단일 시범 훈련(0.927 ± 0.018)과 다중시범 미세조정(0.974 ± 0.022)을 모두 초월하였다.
• 9개의 카메라 각도에서의 다중시각 추론과 데이터 증강을 통해 물체 위치 변화에 대한 내성 향상을 입증하였다.
• 현장 실험 결과, 물체의 회전에 대해서도 성공적인 그립핑 탐지가 이루어졌지만, 추론 지연(~700ms)으로 인해 실시간 제어 성능에 제약이 있었다.
• 이 방법은 기존의 프로그래밍-통한-시범 워크플로우에 통합 가능하여, 비전문가 사용자가 시각 피드백과 소규모 물체 이동에 대한 내성 기반으로 공동 로봇을 프로그래밍할 수 있도록 한다.