[논문 리뷰] SwingBot: Learning Physical Features from In-hand Tactile Exploration for Dynamic Swing-up Manipulation

Chen Wang, Shaoxiong Wang외 3명|arXiv (Cornell University)|2021. 01. 28.

Robot Manipulation and Learning참고 문헌 28인용 수 9

한 줄 요약

SwingBot는 미지의 물체에 대한 물리적 특징 임베딩을 학습하기 위해 손안에서 기울이기 및 흔들기 동작 중 발생하는 触覚 피드백을 사용하는 self-supervised 학습 프레임워크를 도입한다. 이는 정확한 동적 스윙업 조작을 가능하게 한다. 방법은 임베딩 공간에 터치 데이터를 융합하여 제어 정책 적응을 향상시키고 질량 및 질량 중심과 같은 물리적 특성의 회귀를 가능하게 하여, 미리 보지 못한 물체에서 평균 스윙업 오차를 17.2°로 감소시킨다.

ABSTRACT

Several robot manipulation tasks are extremely sensitive to variations of the physical properties of the manipulated objects. One such task is manipulating objects by using gravity or arm accelerations, increasing the importance of mass, center of mass, and friction information. We present SwingBot, a robot that is able to learn the physical features of a held object through tactile exploration. Two exploration actions (tilting and shaking) provide the tactile information used to create a physical feature embedding space. With this embedding, SwingBot is able to predict the swing angle achieved by a robot performing dynamic swing-up manipulations on a previously unseen object. Using these predictions, it is able to search for the optimal control parameters for a desired swing-up angle. We show that with the learned physical features our end-to-end self-supervised learning pipeline is able to substantially improve the accuracy of swinging up unseen objects. We also show that objects with similar dynamics are closer to each other on the embedding space and that the embedding can be disentangled into values of specific physical properties.

연구 동기 및 목표

• 로봇이 시각이나 명시적 지도 없이 손안에서의 터치 탐색을 통해 미지 물체의 물리적 특성을 추론할 수 있도록 하기 위해.
• 다양한 물리적 특성을 지닌, 이전에 본 적 없는 다양한 물체에 대해 동적 스윙업 조작의 정확성과 내성 강도를 향상시키기 위해.
• 다양한 탐색 동작에서 유입되는 터치 신호를 공유된 물리적 특징 임베딩으로 융합하는 self-supervised, 엔드 투 엔드 학습 파이프라인을 개발하기 위해.
• 학습된 임베딩이 임무 중심임을 입증하여, 유사한 역학적 특성을 지닌 물체 간의 제어 정책 일반화를 향상시키기 위해.
• 질량, 질량 중심, 관성 모멘트, 마찰 계수와 같은 해석 가능한 물리적 특성으로 임베딩을 분리할 수 있는지 검증하기 위해.

제안 방법

• 로봇은 GelSight 센서를 사용하여 변형과 힘 역학을 캡처하는 동안, 기울이기 및 흔들기 동작을 수행하면서 터치 데이터를 기록한다.
• 다중 동작 융합 네트워크는 두 동작의 터치 신호를 self-supervised 방식으로 통합하여 저차원의 물리적 특징 임베딩을 생성한다.
• 전진 역학 모델은 임bedded된 물리적 특징과 제어 파rameters를 기반으로 최종 스윙업 각도를 예측하며, 이는 정책 최적화를 가능하게 한다.
• 임베딩 공간은 실제 물리적 레이블이 필요 없이 스윙업 작업 성능을 self-supervised 신호로 사용하여 엔드 투 엔드로 훈련된다.
• PCA를 활용하여 임베딩 공간을 시각화하고, 유사한 역학적 특성을 지닌 물체가 임베딩 공간에서 가까이 배치됨을 확인한다.
• 시스템은 임베딩을 활용하여 질량, 질량 중심 등 개별 물리적 특성을 분리하여 회귀한다.

실험 결과

연구 질문

• RQ1 기울이기 및 흔들기와 같은 단순한 손안 탐색 동작에서 발생하는 터치 피드백을 사용하여, 미지 물체의 압축적이고 임무 관련 물리적 특징 임베딩을 학습할 수 있는가?
• RQ2 다양한 탐색 동작의 정보 융합이 단일 동작 또는 시각 기반 기준 대비 동적 스윙업 조작 정확도를 얼마나 향상시키는가?
• RQ3 학습된 물리적 특징 임베딩은 일반화 가능하고 임무 중심인가? 즉, 유사한 역학적 특성을 지닌 물체들이 임베딩 공간에서 가까이 배치되는가?
• RQ4 임베딩은 질량, 질량 중심, 마찰 계수와 같은 특정 물리적 특성을 예측할 수 있도록 분리할 수 있는가?
• RQ5 self-supervised 임베딩은 타겟 없는 물체에서 기준 방법 대비 성능을 얼마나 향상시키는가?

주요 결과

• 제안된 융합 방법은 여섯 개의 미리 보지 못한 테스트 물체에서 평균 스윙업 오차 17.2°를 달성하여, 단일 동작 기준 및 비터치 기반 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 유사한 역학적 행동(예: 유사한 질량 및 질량 중심)을 지닌 물체들이 학습된 공간에서 더 가까이 임베딩되었으며, 이는 임베딩의 임무 중심 성격을 확인한다.
• 기울이기 및 흔들기 탐색 전략의 조합이 개별 동작보다 우수했으며, 융합 모델은 모든 물리적 특성을 예측하는 데 가장 균형 잡힌 성능을 보였다.
• 임베딩 공간은 질량, 질량 중심, 관성 모멘트, 마찰 계수 등의 물리적 매개변수를 직접적으로 회귀할 수 있었으며, 분리 후 높은 정확도를 달성했다.
• 이 방법은 다양한 물체 간 제어 정책 적응에서 뛰어난 내성 강도를 보였으며, 경량 물체에서 오차가 더 낮아졌는데, 이는 불확실성 감소 때문이었다.
• self-supervised 훈련 파이프라인은 실제 물리적 레이블이 필요 없이 의미 있는 물리적 특징을 성공적으로 학습하여, 엔드 투 엔드 터치 표현 학습의 가능성을 입증했다.