[논문 리뷰] Robotic Grasping from Classical to Modern: A Survey

Hanbo Zhang, Jian Tang외 2명|arXiv (Cornell University)|2022. 02. 08.

Robot Manipulation and Learning인용 수 22

한 줄 요약

이 논문은 고전적 분석적 방법에서부터 현대의 데이터 기반 및 객체 중심 접근 방식에 이르는 로봇 그립 연구의 발전을 조사하며, 표현 방식, 방법, 데이터셋 및 남아 있는 과제를 강조한다.

ABSTRACT

Robotic Grasping has always been an active topic in robotics since grasping is one of the fundamental but most challenging skills of robots. It demands the coordination of robotic perception, planning, and control for robustness and intelligence. However, current solutions are still far behind humans, especially when confronting unstructured scenarios. In this paper, we survey the advances of robotic grasping, starting from the classical formulations and solutions to the modern ones. By reviewing the history of robotic grasping, we want to provide a complete view of this community, and perhaps inspire the combination and fusion of different ideas, which we think would be helpful to touch and explore the essence of robotic grasping problems. In detail, we firstly give an overview of the analytic methods for robotic grasping. After that, we provide a discussion on the recent state-of-the-art data-driven grasping approaches rising in recent years. With the development of computer vision, semantic grasping is being widely investigated and can be the basis of intelligent manipulation and skill learning for autonomous robotic systems in the future. Therefore, in our survey, we also briefly review the recent progress in this topic. Finally, we discuss the open problems and the future research directions that may be important for the human-level robustness, autonomy, and intelligence of robots.

연구 동기 및 목표

• 고전적 접근부터 현대적 접근에 이르는 로봇 그리핑의 역사를 완전하게 조망한다.
• 해석적 그립 합성, 데이터 기반 방법, 그리고 객체 중심 그립을 논의한다.
• 강건한 그립에서 지각, 계획, 제어의 역할을 강조한다.
• 인간 수준의 강건성과 의미론적 그리핑으로 향하는 미해결 문제와 미래 트렌드를 식별한다.

제안 방법

• 힘-닫힘(force-closure)과 형-닫힘(form-closure) 개념을 이용한 해석적 그립 합성을 검토한다.
• 모방 기반, 샘플링 기반, 엔드-투-엔드 학습을 포함한 데이터 기반 그립 접근법을 논의한다.
• 객체 중심 그립과 의미론적 그립 시각을 소개한다.
• 접촉 기반, SE(3), 2D/3D, 픽셀 수준 그립 맵 등 그립 표현들을 요약한다.
• 그립 연구에서 데이터셋과 평가 개념을 강조한다.

실험 결과

연구 질문

• RQ1 로봇공학에서 그립의 형식적 정의와 표현은 무엇인가?
• RQ2 해석적 방법과 데이터 기반 방법이 그립 합성을 해결하기 위해 어떻게 발전해 왔는가?
• RQ3 각 접근법의 트레이드오프, 장점, 한계는 무엇인가?
• RQ4 강건하고 자율적이며 의미적으로 근거 있는 그립을 위한 유망한 향후 방향은 무엇인가?

주요 결과

• 해석적 그립 합성은 다양한 접촉 모델과 함께 형-닫힘과 힘-닫힘에 의존하며 기초적이다.
• 데이터 기반 그립이 최근 진보를 주도하며, 모방, 샘플링 기반 판별, 엔드-투-엔드 학습을 활용한다.
• 객체 중심 및 의미론적 그립은 비구조적 장면과 인간 언어 인터페이스를 다루기 위한 신흥 방향이다.
• 자기지도 학습, 시뮬레이션, 도메인 전이를 활용해 데이터 수요 및 시뮬레이션-현실 간 차이를 해소한다.
• 그립 표현은 접촉 기반에서 SE(3), 픽셀 수준의 그립 맵에 이르기까지 다양하며, 진화하는 지각 능력을 반영한다.
• Dex-Net과 Jacquard와 같은 데이터셋이 데이터 기반 그립 연구에서 중심적 역할을 한다.