[논문 리뷰] Object-Agnostic Suction Grasp Affordance Detection in Dense Cluster Using Self-Supervised Learning.docx

Mingshuo Han, Wenhai Liu외 5명|arXiv (Cornell University)|2019. 06. 07.

Robot Manipulation and Learning참고 문헌 20인용 수 4

한 줄 요약

이 논문은 두 개의 딥러닝 네트워크인 빠른 영역 추정 네트워크(FRE-Net)와 흡착 그립 포인트 허용도 네트워크(SGPA-Net)를 사용하여, 농도 높은 혼잡한 환경에서 자기지도 학습 기반의 객체 무관 흡착 그립 감지 방법을 제안한다. 시뮬레이션 및 실제 환경 모두에서 약 1500회의 그립(약 5시간) 후, 알려진 물체에 대해 95%의 정확도, 알려지지 않은 물체에 대해 90%의 정확도를 달성하며, 개별 물체에 특화된 주석 없이도 강력한 일반화 성능을 보여준다.

ABSTRACT

In this paper we study grasp problem in dense cluster, a challenging task in warehouse logistics scenario. By introducing a two-step robust suction affordance detection method, we focus on using vacuum suction pad to clear up a box filled with seen and unseen objects. Two CNN based neural networks are proposed. A Fast Region Estimation Network (FRE-Net) predicts which region contains pickable objects, and a Suction Grasp Point Affordance network (SGPA-Net) determines which point in that region is pickable. So as to enable such two networks, we design a self-supervised learning pipeline to accumulate data, train and test the performance of our method. In both virtual and real environment, within 1500 picks (~5 hours), we reach a picking accuracy of 95% for known objects and 90% for unseen objects with similar geometry features.

연구 동기 및 목표

• 혼잡한 창고 환경에서 혼합된 알려진 물체와 알려지지 않은 물체가 존재하는 상황에서 자동 물체 취급 문제를 해결하기 위해.
• 유사한 기하학적 특성을 가진 알려지지 않은 물체로도 일반화 가능한 객체 무관 그립 감지 시스템을 개발하기 위해.
• 비용이 많이 드는 인간 주석 기반 그립 데이터에 의존도를 줄이기 위해, 데이터 수집 및 모델 훈련을 위한 자기지도 학습 파이프라인을 활용하기 위해.
• 시간과 데이터 제약 조건 하에서 실제 로봇 조작 작업에서 효율적이고 정확한 흡착 그립 계획을 가능하게 하기 위해.

제안 방법

• 두 단계의 딥러닝 프레임워크를 제안한다: 첫 번째로, FRE-Net이 포인트 클라우드 내에서 그립할 수 있는 물체가 존재할 가능성이 높은 영역을 식별한다.
• 두 번째로, SGPA-Net이 학습된 허용도 맵을 사용하여 감지된 영역 내에서 가장 적합한 흡착 그립 포인트를 예측한다.
• 실제 주석에 의존도를 줄이기 위해, 시뮬레이션 상 상호작용을 통해 합성 그립 데이터를 생성하는 자기지도 학습 파이프라인을 설계한다.
• 기하학적 일관성과 깊이 정보를 활용하여 농도 높은 군집 환경에서도 강건성을 향상시킨다.
• 유사한 물체 형태 간의 특징을 정렬하기 위해 대조 학습 원리를 활용하는 훈련 파이프라인을 사용하여, 알려지지 않은 물체에 대한 제로샷 일반화를 가능하게 한다.
• 흡착 그립이 가능한 물체를 갖춘 로봇 플랫폼과 흡착 그립을 사용하여 시뮬레이션 및 실제 환경 모두에서 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 자기지도 학습 파이프라인은 인간 주석이 없는 밀도 높은 군집 환경에서 흡착 그립 감지를 위한 충분한 훈련 데이터를 효과적으로 생성할 수 있는가?
• RQ2 실제 밀도 높은 군집 환경에서 유사한 기하학적 특성을 가진 알려지지 않은 물체로 모델이 얼마나 잘 일반화되는가?
• RQ3 두 단계 네트워크 아키텍처(FRE-Net 및 SGPA-Net)는 혼잡한 장면에서 엔드 투 엔드 대안 대비 그립 감지 정확도를 얼마나 향상시키는가?
• RQ4 실제 구현 조건 하에서 객체 무관 흡착 그립 감지의 성능 한계는 정확도와 샘플 효율성 측면에서 어떻게 평가되는가?

주요 결과

• 실제 환경에서 약 1500회의 그립(약 5시간) 후, 알려진 물체에 대해 95%의 그립 정확도를 달성한다.
• 유사한 기하학적 특성을 가진 알려지지 않은 물체에 대해서도 90%의 그립 정확도를 유지하며, 강력한 제로샷 일반화 능력을 입증한다.
• 자기지도 학습 파이프라인은 인간 주석 기반 그립 레이블 없이도 고품질의 훈련 데이터를 성공적으로 생성하여 효과적인 모델 훈련을 가능하게 한다.
• 두 단계 네트워크 설계(FRE-Net + SGPA-Net)는 농도 높은 혼잡한 장면에서 감지의 강건성과 정밀도를 향상시킨다.
• 새로운 물체가 훈련 시 사용된 물체와 유사한 기하학적 특성을 가진 이상, 다양한 물체 유형 간에 효과적으로 일반화된다.