[논문 리뷰] Orientation Attentive Robot Grasp Synthesis.

Nikolaos Gkanatsios, Georgia Chalvatzaki외 2명|arXiv (Cornell University)|2020. 06. 09.

Robot Manipulation and Learning참고 문헌 29인용 수 4

한 줄 요약

이 논문은 로봇 그립핑에서 방향성 모호성을 해결하기 위해 이진화된 각도 표현을 사용하여 다수의 타당한 그립핑 방향을 동시에 식별하는 새로운 그립 합성 프레임워크 ORANGE를 제안한다. 이중 이산 이진 분류와 연속 회귀를 동시에 해결함으로써 ORANGE는 Jacquard 데이터셋에서 기존의 단모달 및 다모달 방법들을 능가하는 최고 수준의 94.71% 성공률을 달성한다.

ABSTRACT

Physical neighborhoods of grasping points in common objects may offer a wide variety of plausible grasping configurations. For a fixed center of a simple spherical object, for example, there is an infinite number of valid grasping orientations. Such structures create ambiguous and discontinuous grasp maps that confuse neural regressors. We perform a thorough investigation of the challenging Jacquard dataset to show that the existing pixel-wise learning approaches are prone to box overlaps of drastically different orientations. We then introduce a novel augmented map representation that partitions the angle space into bins to allow for the co-occurrence of such orientations and observe larger accuracy margins on the ground truth grasp map reconstructions. On top of that, we build the ORientation AtteNtive Grasp synthEsis (ORANGE) framework that jointly solves a bin classification problem and a real-value regression. The grasp synthesis is attentively supervised by combining discrete and continuous estimations into a single map. We provide experimental evidence by appending ORANGE to two existing unimodal architectures and boost their performance to state-of-the-art levels on Jacquard, specifically 94.71\%, over all related works, even multimodal. Code is available at \url{this https URL}.

연구 동기 및 목표

• 단일 점에 대해 여러 타당한 그립핑 방향이 존재하는 상황에서 로봇 그립핑의 방향성 모호성 문제를 해결하기 위해.
• 방향 상자 겹침과 비연속적인 그립맵으로 인해 악화되는 픽셀 단위 학습 방법의 한계를 극복하기 위해.
• 하나의 맵 안에서 다양한 그립핑 방향의 동시 존재를 가능하게 하는 통합 표현을 설계하기 위해.
• 더 나은 그립 예측을 위해 이산 분류와 연속 회귀를 결합한 공동 학습 프레임워크를 개발하기 위해.
• 기존의 단모달 및 다모달 접근 방식을 능가하는 최고 수준의 성능을 Jacquard 벤치마크에서 달성하기 위해.

제안 방법

• 전체 360도 방향 공간을 이산적인 박스로 나누어 방향성 모호성을 해결하는 증강된 각도 맵 표현을 도입하기 위해.
• 이산 이진 분류와 그립 파라미터의 연속 회귀를 하나의 주의 기반 맵으로 통합하여 하이브리드 감독 신호를 구성하기 위해.
• 공유된 특징 인코더를 사용하여 이진 할당과 정밀한 그립 파라미터 회귀를 동시에 최적화하는 ORANGE 프레임워크를 설계하기 위해.
• 기존의 단모달 아키텍처에 플러그인 방식으로 적용하여 아키텍처의 전반적인 변경 없이 성능 향상을 이끌어내기 위해.
• 이산 및 연속 예측의 기여도를 동적으로 가중하는 주의 메커니즘을 적용하여 국소화 정확도를 향상시키기 위해.
• 다양한 물체 형태와 방향에 대한 일반화 능력을 향상시키기 위해 데이터 증강을 활용하여 Jacquard 데이터셋에서 모델을 엔드 투 엔드로 훈련하기 위해.

실험 결과

연구 질문

• RQ1 로봇 그립핑에서의 방향성 모호성을 비연속적인 그립맵을 유발하는 요소 없이 효과적으로 모델링할 수 있는가?
• RQ2 다양한 방향이 동시에 존재할 수 있는 통합 표현이 그립 예측 정확도를 향상시킬 수 있는가?
• RQ3 이산 이진 분류와 연속 회귀를 결합하면 단독으로 사용할 경우보다 더 나은 성능을 낼 수 있는가?
• RQ4 ORANGE는 기존의 단모달 그립 네트워크 성능을 벤치마크 데이터셋에서 얼마나 향상시킬 수 있는가?
• RQ5 제안된 방법은 다모달 접근 방식과 비교해 Jacquard 데이터셋에서 최고 수준의 성능을 달성할 수 있는가?

주요 결과

• 제안된 각도 박스화 표현은 동일한 예측 맵 내에서 여러 타당한 방향이 동시에 존재할 수 있도록 하여 방향성 모호성을 성공적으로 해결한다.
• ORANGE의 공동 학습 프레임워크는 Jacquard 데이터셋에서 94.71%의 성공률을 달성하여 새로운 최고 수준의 성능 기록을 수립한다.
• 기존의 단모달 아키텍처에 ORANGE를 추가하면 단모달 및 다모달 기준선을 모두 능가하는 상당한 성능 향상을 이룬다.
• 표준 픽셀 단위 회귀 모델이 자주 오도하는 방향 비연속성 문제에 대해 뛰어난 강건성을 보인다.
• 이산 및 연속 예측의 주의 기반 융합은 국소화 정밀도를 향상시키고 다양한 물체 형태에 걸쳐 일반화 능력을 향상시킨다.