[논문 리뷰] Object Pose Estimation in Robotics Revisited

Antti Hietanen, Jyrki Latokartano외 5명|arXiv (Cornell University)|2019. 06. 06.

Robot Manipulation and Learning참고 문헌 35인용 수 7

한 줄 요약

이 논문은 로봇에서 6차원 물체 자세 추정을 위한 확률적 평가 지표를 제안하며, 기존의 기하학적 오차 지표(예: ADC)에 의존하는 대신 실제 로봇 상호작용 데이터를 기반으로 비모수적 커널 회귀를 사용하여 작업 성공 확률을 직접 측정한다. 이는 기존의 지표들이 실제 로봇 성능과의 상관관계가 떨어짐을 입증하며, 산업용 부품을 대상으로 한 새로운 벤치마크 데이터셋을 통해 실제 로봇 抓거 성공률을 더 잘 반영함을 검증한다.

ABSTRACT

Vision based object grasping and manipulation in robotics require accurate estimation of object's 6D pose. The 6D pose estimation has received significant attention in computer vision community and multiple datasets and evaluation metrics have been proposed. However, the existing metrics measure how well two geometrical surfaces are aligned - ground truth vs. estimated pose - which does not directly measure how well a robot can perform the task with the given estimate. In this work we propose a probabilistic metric that directly measures success in robotic tasks. The evaluation metric is based on non-parametric probability density that is estimated from samples of a real physical setup. During the pose evaluation stage the physical setup is not needed. The evaluation metric is validated in controlled experiments and a new pose estimation dataset of industrial parts is introduced. The experimental results with the parts confirm that the proposed evaluation metric better reflects the true performance in robotics than the existing metrics.

연구 동기 및 목표

• 기존 6D 자세 추정 지표의 한계를 해결하기 위해, 기하학적 정렬을 측정할 뿐 아니라 실제 로봇 작업 성공률을 반영하지 못하는 문제를 해결한다.
• 자세 추정 방법을 평가하기 위해 실제 혼잡함과 가림을 포함한 산업용 부품의 새로운 벤치마크 데이터셋을 구축한다.
• 반복적인 물리적 시험 없이도 실제 로봇 抓거 성공률을 반영하는 작업 특화의 확률적 평가 지표를 개발한다.
• 기존의 지표들(예: ADC)이 실제 로봇 작업에서의 비선형 성능 저하를 포착하지 못함을 입증한다.
• 실제 상호작용 데이터를 기반으로 한 시뮬레이션 평가 과정을 통해 6D 자세 추정 방법 간의 공정하고 재현 가능하며 물리적으로 의미 있는 비교를 가능하게 한다.

제안 방법

• 6D 자세 추정값 $ \hat{\theta} $ 와 작업 성공 여부 $ X=1 $ 를 고려한 조건부 확률 모델 $ P(X=1|\hat{\theta}) $ 을 제안한다.
• 실제 로봇 상호작용 샘플의 집합을 기반으로 비모수적 커널 회귀를 사용하여 6D 자세 공간 $ \mathcal{E} = \mathbb{R}^3 \times S^3 $ 내의 임의의 자세 추정값에 대한 성공 확률을 추정한다.
• 제어된 산업 환경에서 로봇 암을 사용해 수천 개의 랜덤 자세 샘플을 자동 생성하고, 성공/실패 결과를 기록한다.
• 다양한 그립퍼-물체 조합과 작업에 대해 모델을 훈련 및 검증하여 다양한 물리적 구성에 대해 일반화 능력을 확보한다.
• 혼잡함과 가림 수준이 다양하게 설정된 약 600개의 테스트 환경을 포함한 산업용 부품의 3D 모델을 기반으로 한 새로운 벤치마크 데이터셋을 구축한다.
• 물리적 하드웨어와의 평가 과정을 분리하기 위해, 학습된 확률 모델을 사용하여 어떤 자세 추정값에 대해서도 작업 성공을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 기존의 6D 자세 오차 지표(예: ADC)는 실제 로봇 조작 작업에서의 성공률과 얼마나 관련이 있는가?
• RQ2 실제 로봇 상호작용 데이터를 기반으로 한 확률적 지표는 기하학적 오차 지표보다 6D 자세 추정 방법의 진정된 성능을 더 잘 반영할 수 있는가?
• RQ3 작은 자세 변화에 따라 抓거 성공 확률은 어떻게 변하는가? 이는 선형 오차 지표보다 더 정확히 캐치할 수 있는가?
• RQ4 실제 로봇 시험 데이터로 학습된 비모수적 모델이 추가 물리적 테스트 없이도 새로운 자세 추정값에 대한 성공률을 일반화하여 예측할 수 있는가?
• RQ5 다양한 최신 6D 자세 추정 방법들이 제안된 확률적 지표와 기존의 ADC 지표를 기반으로 평가했을 때, 순위가 어떻게 달라지는가?

주요 결과

• 제안된 확률적 지표 $ P(X=1|\hat{\theta}) $ 는 기존의 ADC와 같은 지표보다 더 정확하고 직관적인 로봇 작업 성공 측정을 제공한다.
• 작업 4(크랜필드 페이스플레이트, 셰운커 그립퍼)에서 GC와 HG 방법의 평균 성공 확률은 각각 0.64와 0.63이었으며, ADC 값은 약 4.5e-3에 불과하여 상관관계가 떨어짐을 시사한다.
• 동일한 작업에서 GC의 추정치 중 65%는 성공 확률 ≥0.9를 기록했으나, HG는 단지 13%에 불과하여 성공 확률이 고신뢰도 성능을 더 잘 반영함을 보여준다.
• 성공 확률 대 ADC의 산점도에서는 일관된 매핑이 없으며, 특히 중간 범위에서 두드러지게 나타나, ADC가 비선형 성능 저하를 반영하지 못함을 입증한다.
• 지표는 성능 저하가 특정 오차 임계값을 초과하면 급격히 발생함을 드러내며, 예를 들어 성공 확률이 1.0에서 0.0으로 급격히 떨어지는 반면, ADC는 선형적으로 감소하여 중요한 영역에서는 정보를 제공하지 못함을 보여준다.
• 두 기준 방법인 RANSAC과 NNSR은 성능이 열악하여 성공 확률이 0.0에 가까웠으며, 이는 최신 기술조차도 새로운 지표로 평가했을 때 실제 로봇 작업에서 실패함을 확인한다.