[논문 리뷰] Maximally manipulable vision-based motion planning for robotic rough-cutting on arbitrarily shaped surfaces

Tommaso Pardi, Valerio Ortenzi외 4명|arXiv (Cornell University)|2019. 09. 12.

Robotic Path Planning Algorithms참고 문헌 30인용 수 4

한 줄 요약

이 논문은 노이즈가 많은 포인트 클라우드에서 임의의 표면 위에서 로봇 경로를 생성하는 시각 기반 운동 계획 방법인 RRT*-RMM을 제안한다. 이 방법은 경로 길이를 최소화하면서도 만능성(manipulability)을 최대화한다. RRT*의 샘플을 리만 다양체에 투영하고, 비용 함수를 수정하여 만능성을 우선시함으로써, 특이점(singularity)을 피하고, 로봇의 유연한 작업 수행을 가능하게 한다. 이는 원자력 폐기물 처리 및 산업용 절단 작업에 적합하다.

ABSTRACT

This paper presents a method for constrained motion planning from vision, which enables a robot to move its end-effector over an observed surface, given start and destination points. The robot has no prior knowledge of the surface shape, but observes it from a noisy point-cloud camera. We consider the multi-objective optimisation problem of finding robot trajectories which maximise the robot's manipulability throughout the motion, while also minimising surface-distance travelled between the two points. This work has application in industrial problems of extit{rough} robotic cutting, extit{e.g.} demolition of legacy nuclear plant, where the cut path need not be precise as long as it achieves dismantling. We show how detours in the cut path can be leveraged, to increase the manipulability of the robot at all points along the path. This helps avoid singularities, while maximising the robot's capability to make small deviations during task execution, extit{e.g.} compliantly responding to cutting forces via impedance control. We show how a sampling-based planner can be projected onto the Riemannian manifold of a curved surface, and extended to include a term which maximises manipulability. We present the results of empirical experiments, with both simulated and real robots, which are tasked with moving over a variety of different surface shapes. Our planner enables successful task completion, while avoiding singularities and ensuring significantly greater manipulability when compared against a conventional RRT* planner.

연구 동기 및 목표

• 기존의 원자력 시설과 같은 위험한 환경에서 알려지지 않은, 임의의 형태를 가진 표면에서의 로봇 절단 작업을 위한 운동 계획 과제를 해결한다.
• 곡면 위에서 제약 조건이 있는 종단 기구 운동을 수행할 때, 표준 RRT*가 만능성과 특이점 회피를 다루는 데에 한계를 보이는 문제를 해결한다.
• 자료의 성질이 불확실한 상황에서도 절단 중 유연한 힘 제어를 지원하기 위해 경로 전반에 걸쳐 높은 만능성을 유지할 수 있도록 로봇을 설계한다.
• 완전한 3D 모델이 필요 없이 노이즈가 많은 포인트 클라우드에서 직접 작동하는 방법을 개발하여, 비정형 환경에서의 실제 적용 가능성을 높인다.
• 경로 길이 증가를 감수하면서도 만능성 향상으로 인한 뚜렷한 이점으로, 힘에 의존하는 절단 작업의 안정성과 작업 성공률을 향상시킨다.

제안 방법

• 포인트 클라우드에서 유도된 매핑을 사용하여 유클리드 공간의 무작위 샘플을 관측된 표면의 리만 다각형에 투영함으로써, 완전한 3D 모델 없이도 곡면 위에서 운동 계획을 수행할 수 있도록 한다.
• 경로 전반에 걸쳐 높은 로봇 만능성을 유지하는 경로를 우선시하기 위해 RRT*의 비용 함수에 만능성 지수 항을 추가하여 수정한다.
• 목표지점까지의 유클리드 거리와 만능성을 조합한 하이브리드 비용 함수를 사용하여 샘플링과 경로 최적화를 이끌어낸다.
• 로봇의 운동학적 모델을 활용하여 각 구성에서의 만능성을 계산함으로써, 경로 생성 중 특이점 회피를 보장한다.
• RGB-D 센서를 통합하여 실시간 표면 관측과 환경 변화에 대응하는 동적 경로 재계획 기능을 제공한다.
• 시뮬레이션(V-REP)과 실제 로봇(Panda 및 Sawyer)에서 알고리즘을 구현하여 다양한 물체 형상에서의 성능을 검증한다.

실험 결과

연구 질문

• RQ1 노이즈가 많은 포인트 클라우드에서 임의의 알려지지 않은 표면 위에서, 샘플 기반 운동 계획자가 로봇의 만능성을 극대화하면서도 효과적으로 경로를 생성할 수 있는가?
• RQ2 RRT* 비용 함수에 만능성을 통합함으로써, 곡면 위에서 종단 기구가 운동할 때 로봇의 특이점 위험은 어느 정도 감소하는가?
• RQ3 경로 길이와 만능성 사이의 트레이드오프는 힘에 의존하는 로봇 절단 작업의 작업 안정성에 어떤 영향을 미치는가?
• RQ4 제안된 방법은 실제 로봇 작업에 적합한 경로 길이를 유지하면서도 표준 RRT*에 비해 만능성 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ5 이 방법은 평면, 곡면, 복잡한 형태를 포함한 다양한 표면 형상에 대해 확장 가능하고 효과적인가?

주요 결과

• RRT*-RMM은 표준 RRT*에 비해 테스트된 모든 경로에서 만능성을 크게 향상시켰으며, 네 가지 물체 유형에 대해 박스 플롯 분석에서 중앙값이 증가한 것으로 나타났다.
• 만능성의 분산이 감소하여, 생성된 경로를 따라 로봇의 성능이 더 일관되고 예측 가능함을 나타낸다.
• 통나무, 곡면, 안전헬멧 물체의 경우 약 10%의 경로 길이 증가가 있었고, 평면 물체의 경우 최대 50% 증가하여, 더 높은 만능성을 얻기 위한 트레이드오프가 반영됨을 보여준다.
• 평면 물체에서 RRT*가 낮은 만능성으로 인해 실패하는 상황에서도, 플래너는 특이점을 성공적으로 피함으로써 도전적인 구성에서도 더 높은 안정성을 보여주었다.
• 시뮬레이션(Sawyer)과 실제 로봇(Panda)에서의 실험 결과는 작업 성공을 확인하였으며, 실제 로봇 절단 작업 환경에서의 방법의 효과성을 검증하였다.
• 높은 만능성을 유지함으로써, 강한 힘 상호작용 중에도 효과적인 인피던스 제어를 지원하는 유연한 작업 수행이 가능해졌다.