[논문 리뷰] Picking a Conveyor Clean by an Autonomously Learning Robot

Janne V. Kujala, Tuomas J. Lukka외 1명|arXiv (Cornell University)|2015. 11. 24.

Robot Manipulation and Learning참고 문헌 6인용 수 5

한 줄 요약

이 논문은 실시간으로 그립퍼 센서로부터 피드백을 받고 점진적 기계학습을 통해 새로운 비정형 폐기물 물체를 운반대에서 집는 성능을 향상시키는 자율 학습 로봇 시스템을 제시한다. 시스템은 스스로 校정을 수행하고 기하 모델을 통해 집는 자세를 샘플링하며, 시간이 지남에 따라 성공률을 높이며, 인간 간섭 없이 도전적인 뭉치에서 80개 중 70개를 정확히 분류하는 데 성공한다.

ABSTRACT

We present a research picking prototype related to our company's industrial waste sorting application. The goal of the prototype is to be as autonomous as possible and it both calibrates itself and improves its picking with minimal human intervention. The system learns to pick objects better based on a feedback sensor in its gripper and uses machine learning to choosing the best proposal from a random sample produced by simple hard-coded geometric models. We show experimentally the system improving its picking autonomously by measuring the pick success rate as function of time. We also show how this system can pick a conveyor belt clean, depositing 70 out of 80 objects in a difficult to manipulate pile of novel objects into the correct chute. We discuss potential improvements and next steps in this direction.

연구 동기 및 목표

• 사람의 간섭 최소화로 새로운 비정형 폐기물 물체에 대해 자율적으로 집는 성능을 햖थ하려는 로봇 시스템을 개발하는 것.
• 간단한 자동 절차를 사용해 로봇 및 센서 시스템의 자가 校정을 가능하게 하는 것.
• 피드백 기반 학습을 통해 인간의 주석 또는 고정된 집는 규칙에 대한 의존도를 줄이는 것.
• 실제 산업 폐기물 분류 환경에서 자율 학습의 가능성을 입증하는 것.
• 강화 학습과 센서 피드백의 잠재력을 탐색하여 비정형 환경에서 견고하고 적응 가능한 집는 능력을 확보하는 것.

제안 방법

• 시스템은 3D 카메라(Asus Xtion)와 넓은 개방형 유연한 그립퍼를 갖춘 게이트리 로봇을 사용하여 깊이 영상을 촬영하고 집는 작업을 수행한다.
• 투영 변환을 사용해 3D 카메라의 좌표를 로봇의 게이트리 좌표계에 자동으로 校정한다.
• 깊이 영상을 등사적 고도지도로 투영하며, 가림된 영역은 알려지지 않은 것으로 표시해 집는 계획을 향상시킨다.
• 이중 단계 학습 접근법을 사용한다: 고정된 기하 모델이 후보 집는 자세를 생성하고, 기계학습 모델이 피드백 기반으로 최적의 자세를 선택한다.
• 모든 이전의 집는 시도 데이터를 사용해 10초마다 학습 모델을 재학습함으로써 점진적인 성능 향상을 가능하게 한다.
• 그립퍼의 피드백(예: 힘 또는 개방 상태)이 성공 여부를 결정하며, 학습 과정을 이끌어낸다.

실험 결과

연구 질문

• RQ1 사람의 주석 없이 새로운 비정형 폐기물 물체에 대해 자율적으로 집는 성공률을 향상시킬 수 있는가?
• RQ2 실제 비정형 산업 환경에서 피드백 기반 점진적 학습의 효과는 어떠한가?
• RQ3 자기 캘리브레이션과 센서 피드백는 수동 시스템 조정의 필요성을 어느 정도 줄일 수 있는가?
• RQ4 단일의 옐로우가 아닌 측면에 장착된 3D 카메라가 집는 계획과 성능에 어떤 영향을 미치는가?
• RQ5 그림자, 얇은 물체, 또는 집는 중 물체가 미끄러지는 등의 어려운 케이스를 어떻게 처리하는가?

주요 결과

• 시스템은 시간이 지남에 따라 자율적으로 집는 성공률을 향상시켜 피드백 기반 점진적 학습의 효과를 입증했다.
• 초기 학습 기간 이후, 로봇은 도전적인 새로운 뭉치에서 80개 중 70개를 정확한 채널에 배치하는 데 성공했다.
• 실제로 천장에 장착된 카메라 없이도 안정적인 성능을 달성했으며, 단일 측면 장착 3D 카메라에 의존했다.
• 학습 모델은 낮은 점수를 받는 집는 자세를 피하고 노이즈 또는 그림자로 인한 잘못된 긍정 결과를 걸러내어 실패한 집는 횟수를 줄였다.
• 시스템은 물체가 미끄러지는 것에 저항력이 있었으며, 실패한 시도를 반복할 수 있어 낮은 성공률의 영향을 최소화했다.
• 프로토타입은 약 6초의 사이클 타임을 기록해 생산 수준의 속도로의 최적화 가능성을 보였다.