[논문 리뷰] Manipulation Trajectory Optimization with Online Grasp Synthesis and Selection

Wang Li-rui, Xiang Yu외 1명|arXiv (Cornell University)|2019. 11. 22.

Robot Manipulation and Learning참고 문헌 39인용 수 5

한 줄 요약

이 논문은 혼잡한 환경에서 궤적과 抓握을 동시에 최적화함으로써 온라인에서의 抓握 합성 및 선택을 가능하게 하는 통합 최적화 기반 운동 및 抓握 계획기(OMG Planner)를 제안한다. CHOMP을 사용한 반복적 궤적 최적화와 확률 기반의 抓握 선택 방법을 통해 사전에 계산된 抓握이 필요 없이도 계획 성공률과 강건성을 향상시켰으며, 평가 결과 93%의 계획 성공률과 84%의 실행 성공률을 달성하였다.

ABSTRACT

In robot manipulation, planning the motion of a robot manipulator to grasp an object is a fundamental problem. A manipulation planner needs to generate a trajectory of the manipulator arm to avoid obstacles in the environment and plan an end-effector pose for grasping. While trajectory planning and grasp planning are often tackled separately, how to efficiently integrate the two planning problems remains a challenge. In this work, we present a novel method for joint motion and grasp planning. Our method integrates manipulation trajectory optimization with online grasp synthesis and selection, where we apply online learning techniques to select goal configurations for grasping, and introduce a new grasp synthesis algorithm to generate grasps online. We evaluate our planning approach and demonstrate that our method generates robust and efficient motion plans for grasping in cluttered scenes. Our video can be found at https://www.youtube.com/watch?v=LIcACf8YkGU .

연구 동기 및 목표

• 혼잡한 로봇 조작 작업에서 운동 계획과 抓握 계획을 효율적으로 통합하는 도전 과제를 해결하기 위해.
• 기존 방법에서의 고정된 오프라인 抓握 집합과 히ュ리스틱 기반의 抓握 선택 방법의 한계를 극복하기 위해.
• 궤적 최적화 과정에서 동적으로 抓握을 선택하고 개선하여 강건성과 효율성을 향상시키는 계획기를 개발하기 위해.
• 사전에 계산된 抓握 후보에 의존하지 않고도 임의의 물체 형상에 대해 온라인에서의 抓握 합성을 가능하게 하기 위해.
• 운동 및 抓握 계획의 공동 최적화를 통해 복잡한 혼잡한 환경에서의 성능 향상을 입증하기 위해.

제안 방법

• OMG Planner는 궤적과 抓握 계획을 공동 최적화 문제로 공식화하여, 목표 설정 제약 조건이 있는 CHOMP을 사용해 반복적으로 궤적과 抓握을 업데이트한다.
• 학습 기반 접근을 통해 抓握 집합에 대한 확률 분포를 온라인으로 추정하고 업데이트하여, 계획 중에 최적의 抓握을 동적으로 선택할 수 있도록 한다.
• C-Space ISF 알고리즘은 구성공간에서 로봇 클램프와 물체 간의 반복적인 표면 피팅을 통해 그립 구성표를 개선함으로써 온라인에서의 抓握 합성을 수행한다.
• 抓握 선택은 온라인 학습 문제로 모델링되며, 알고리즘은 현재 궤적과 抓握 타당성 간의 상호작용에서 학습하여 목표 선택을 향상시킨다.
• 기존의 抓握 계획 알고리즘(예: GraspIt, 시뮬레이션된 抓握)을 초기 抓握 집합으로 통합하고, 이후에 온라인으로 보완 및 개선한다.
• 이 프레임워크는 어떤 궤적 최적화기와도 호환되며, CHOMP 이외의 다양한 운동 계획 방법과도 호환되도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 고정된 抓握 집합에 비해 온라인 抓握 선택 및 합성이 혼잡한 환경에서의 조작 계획 성공률과 강건성 향상에 기여하는가?
• RQ2 궤적 최적화 과정 중에 抓握 합성을 통합할 경우 계획 효율성과 궤적 품질에 어떤 영향을 미치는가?
• RQ3 초기 상태가 열악하거나 최적화되지 않은 抓握 후보에서 시작할 경우, 온라인 抓握 정밀화가 얼마나 抓握 품질과 실행 성공률 향상에 기여하는가?
• RQ4 이산화 밀도(n)와 부드러움 가중치(λ)와 같은 핵심 설계 파라미터가 계획기 성능에 어떤 영향을 미치는가?
• RQ5 제안된 방법이 히ュ리스틱 기반의 抓握 선택 또는 온라인 정밀화 기능이 없는 기준 방법보다 더 높은 계획 및 실행 성공률을 달성할 수 있는가?

주요 결과

• OMG Planner는 100개의 시나리오에서 1개 시나리오당 30개의 抓握를 대상으로 평가하여 93%의 계획 성공률과 84%의 실행 성공률를 기록했으며, CHOMP, FMT, RRT-Connect를 모두 초월하였다.
• 방법론은 평균 궤적 충돌 비용을 CHOMP의 4.78에서 3.92로 감소시키고, 부드러움을 19.12에서 15.43으로 향상시켜 더 우수한 궤적 품질을 나타냈다.
• C-Space ISF를 통한 抓握 정밀화로 抓握 비용을 3.43에서 3.04로 감소시키고 성공률를 높였으며, 특히 고품질의 시뮬레이션된 抓握에서 시작할 경우 두드러진 성과를 보였다.
• 절단 실험 결과, 이산화 밀도(n)를 증가시키면 부드러움과 계획 성공률가 향상되었고, λ ≈ 0.1이 부드러움과 충돌 회피 간의 최적 균형을 제공하는 것으로 나타났다.
• 온라인 抓握 선택 및 합성의 통합은 히ュ리스틱 기반의 抓握 순위 매기기나 고정된 抓握 집합에 의존하는 기준 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 낮은 품질의 초기 抓握 집합에서도 이 방법은 강건한 성능을 보였으며, 온라인 정밀화 및 선택의 효과성을 입증하였다.