[논문 리뷰] Robots of the Lost Arc: Learning to Dynamically Manipulate Fixed-Endpoint Ropes and Cables.

Harry Zhang, Jeffrey Ichnowski외 3명|arXiv (Cornell University)|2020. 11. 10.

Robot Manipulation and Learning참고 문헌 28인용 수 6

한 줄 요약

이 논문은 UR5 로봇이 고속 아치 운동을 위해 학습된 3차원 정점(point)을 사용하여 고정 끝점 로프 및 케이블을 동적으로 조작할 수 있도록 하는 자기지도 학습 파이프라인을 제안한다. 짧은 시간 간격에 대해 2차 프rogramming을 적용하여 관절 제한 조건을 만족시키고 최소 진동 운동을 구현하는 궤적을 생성함으로써, 점프 작업에서 81.7%의 성공률, 타격 작업에서 65.0%, 빗물 빼기 작업에서 60.0%의 성공률을 달성하였으며, 고정 또는 인간이 지정한 정점 기반의 기준보다 뚜렷하게 뛰어난 성능을 보였다.

ABSTRACT

High-speed arm motions can dynamically manipulate ropes and cables to vault over obstacles, knock objects from pedestals, and weave between obstacles. In this paper, we propose a self-supervised learning pipeline that enables a UR5 robot to perform these three tasks. The pipeline trains a deep convolutional neural network that takes as input an image of the scene with object and target. It computes a 3D apex point for the robot arm, which, together with a task-specific trajectory function, defines an arcing motion for a manipulator arm to dynamically manipulate the cable to perform a task with varying obstacle and target locations. The trajectory function computes high-speed minimum-jerk arcing motions that are constrained to remain within joint limits and to travel through the 3D apex point by repeatedly solving quadratic programs for shorter time horizons to find the shortest and fastest feasible motion. We experiment with the proposed pipeline on 5 physical cables with different thickness and mass and compare performance with two baselines in which a human chooses the apex point. Results suggest that the robot using the learned apex point can achieve success rates of 81.7% in vaulting, 65.0% in knocking, and 60.0% in weaving, while a baseline with a fixed apex across the three tasks achieves respective success rates of 51.7%, 36.7%, and 15.0%, and a baseline with human-specified task-specific apex points achieves 66.7%, 56.7%, and 15.0% success rate respectively. Code, data, and supplementary materials are available at https: //sites.this http URL

연구 동기 및 목표

• 장애물과 목표 위치가 변하는 비정형 환경에서 동적 케이블 조작의 과제를 해결한다.
• 인간 간섭 없이 로봇이 고속 아치 운동에 최적의 정점을 자동으로 학습할 수 있도록 한다.
• 관절 제한 준수와 최소 진동 운동을 보장하는 궤적 생성 방법을 개발한다.
• 점프, 타격, 빗물 빼기와 같은 복잡한 케이블 조작 작업에서 인간이 지정하거나 고정된 정점 기반 기준을 뛰어넘는 성공률을 향상시킨다.

제안 방법

• 객체와 목표가 포함된 장면 이미지에서 3차원 정점을 예측하기 위해 딥 컨volution 신경망을 훈련한다.
• 예측된 정점을 궤적 함수의 제약 조건으로 사용하여 고속, 최소 진동 아치 운동을 계산한다.
• 전체 운동을 짧은 시간 간격으로 나누고, 2차 프로그래밍을 통해 관절 제한 내에서 가장 빠르고 짧으며 실행 가능한 궤적을 찾는다.
• 반복적으로 짧은 시간 간격 동안 최적화 문제를 풀면서 관절 제약 조건을 강제로 적용함으로써 궤적의 실행 가능성 확보.
• 정점 예측과 궤적 생성을 실세계 케이블 조작 데이터를 기반으로 훈련된 자기지도 학습 파이프라인에 통합한다.
• 결과 파이프라인을 활용해 장애물 위를 점프하는 동적 운동, 플랫폼에서 물체를 타격하는 동작, 장애물을 뚫고 빛나는 운동을 생성한다.

실험 결과

연구 질문

• RQ1 자기지도 학습 파이프라인이 장애물과 목표 위치가 다양한 케이블 조작 작업 간에 정점 선택을 일반화하는 데 성공할 수 있는가?
• RQ2 학습된 정점 기반의 성능가 고정 또는 인간이 지정한 정점 기반의 성능와 비교해 동적 케이블 조작 작업에서 어떻게 다른가?
• RQ3 반복적인 2차 프로그래밍 기반 궤적 생성 방법이 관절 제약 조건 하에서 얼마나 신속하고 실행 가능하며 최소 진동 운동을 달성할 수 있는가?
• RQ4 정점 예측 학습이 점프, 타격, 빗물 빼기와 같은 복잡한 작업의 성공률에 어떤 영향을 미치는가?

주요 결과

• 학습된 정점을 사용한 로봇은 점프 작업에서 81.7%의 성공률을 기록했으며, 고정 정점 기반 기준(51.7%)보다 뚜렷하게 뛰어났다.
• 타격 작업에서 학습된 정점 방법은 65.0%의 성공률을 달성했으며, 고정 정점 기준(36.7%)을 초월했고 인간이 지정한 정점 기준(56.7%)과 동일한 성과를 보였다.
• 빗물 빼기 작업에서 학습된 정점 방법은 60.0%의 성공률을 기록했으며, 고정 정점 기준(15.0%)을 크게 뛰어넘었고 인간이 지정한 정점 기준과 동일한 성과를 달성했다.
• 자기지도 학습 파이프라인이 장애물과 목표 구성이 다른 세 가지의 다른 케이블 조작 작업 간에 일반화를 가능하게 했다.
• 관절 제한 조건을 만족시키고 최소 진동 운동을 생성하기 위해 짧은 시간 간격에서 2차 프로그래밍을 풀어 궤적 생성 방법이 성공적으로 작동했다.
• 결과적으로 정점 예측 학습이 점프나 빗물 빼기와 같은 정밀한 동적 제어가 필요한 작업에서 높은 성능을 내기 위해 필수적임을 입증했다.