[논문 리뷰] Towards Robotic Assembly by Predicting Robust, Precise and Task-oriented Grasps.

Jialiang Zhao, Daniel M. Troniak외 1명|arXiv (Cornell University)|2020. 01. 01.

Robot Manipulation and Learning인용 수 2

한 줄 요약

이 논문은 자체적으로 생성된 물체를 가진 자기지도 시뮬레이션을 통해 교육받은 커리큘럼 학습을 통해, 그립의 견고성, 정밀도, 임무 성능을 동시에 최적화함으로써 로봇 조립 작업에 대해 견고하고 정밀하며 임무 중심의 그립을 예측하는 계단식 딥러닝 접근법을 제안한다. 실세계 기어 및 브래킷 조립 작업에서 각각 1.44mm 및 4.28mm의 삽입 오차를 달성하였다.

ABSTRACT

Robust task-oriented grasp planning is vital for autonomous robotic precision assembly tasks. Knowledge of the objects' geometry and preconditions of the target task should be incorporated when determining the proper grasp to execute. However, several factors contribute to the challenges of realizing these grasps such as noise when controlling the robot, unknown object properties, and difficulties modeling complex object-object interactions. We propose a method that decomposes this problem and optimizes for grasp robustness, precision, and task performance by learning three cascaded networks. We evaluate our method in simulation on three common assembly tasks: inserting gears onto pegs, aligning brackets into corners, and inserting shapes into slots. Our policies are trained using a curriculum based on large-scale self-supervised grasp simulations with procedurally generated objects. Finally, we evaluate the performance of the first two tasks with a real robot where our method achieves 4.28mm error for bracket insertion and 1.44mm error for gear insertion.

연구 동기 및 목표

• 불확실성 하에서 로봇 조립 작업에 있어서 견고하고 정밀하며 임무 중심의 그립 계획 문제를 해결하기 위해.
• 로봇 제어의 노이즈와 알려지지 않은 물체 성질에도 불구하고 물체 기하학적 특성과 임무 사전 조건을 그립 계획에 통합하기 위해.
• 정밀 조립 작업에서 흔히 발생하는 복잡한 물체-물체 상호작용의 성능을 향상시키기 위해.
• 절차적 물체 생성을 사용하여 일반화 가능한 그립 정책를 위한 확장 가능한 자기지도 학습 파이프라인을 개발하기 위해.

제안 방법

• 이 방법은 그립 계획을 견고성, 정밀도, 임무 성능 최적화로 분해하기 위해 세 개의 계단식 신경망을 활용한다.
• 그립 정책는 절차적으로 생성된 물체를 가진 대규모 자기지도 시뮬레이션에서 커리큘럼 기반 접근법을 사용해 훈련한다.
• 프레임워크는 기하학적 및 임무 특화 사전 지식을 통합하여 그립 선택을 안내하고 일반화 능력을 향상시킨다.
• 시스템은 세 가지 조립 작업(기어 페그 삽입, 브래킷 모서리 정렬, 형상-슬롯 삽입)에 대해 시뮬레이션에서 평가된다.
• 실세계 구현은 두 가지 작업에서 수행되어 실제 조건 하에서의 성능을 검증한다.
• 이 방법은 그립 품질과 임무 성공률을 동시에 최적화하여 최종 조립 목표와의 일치를 보장한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 로봇 그립 계획을 조립 작업에서 동시에 견고성, 정밀도, 임무 특화 성능을 보장하도록 향상시킬 수 있는가?
• RQ2 절차적 물체 생성을 통한 자기지도 시뮬레이션은 실세계 로봇 조립 작업으로의 일반화를 어느 정도 가능하게 하는가?
• RQ3 계단식 신경망은 복잡한 상호작용에서 다중 그립 품질 기준을 효과적으로 분해하고 최적화할 수 있는가?
• RQ4 시뮬레이션 데이터에서의 커리큘럼 학습은 정밀 조립 작업에서 정책의 일반화 능력과 실세계로의 전이 성능을 어떻게 향상시키는가?
• RQ5 학습된 임무 중심의 그립 정책를 사용하여 실세계 로봇 조립 작업에서 어떤 정도의 정밀도를 달성할 수 있는가?

주요 결과

• 실세계 기어 페그 삽입 작업에서 1.44mm의 삽입 오차를 달성하여 높은 정밀도를 입증하였다.
• 브래킷 모서리 정렬 작업에서는 4.28mm의 오차를 기록하여 복잡한 정렬 작업에서 강력한 성능을 보였다.
• 계단식 네트워크 아키텍처는 견고성, 정밀도, 임무 성능을 동시에 효과적으로 분해하고 최적화하였다.
• 절차적으로 생성된 물체를 사용한 자기지도 학습은 인간의 레이블링 데이터 없이도 효과적인 정책 학습을 가능하게 하였다.
• 커리큘럼 기반 훈련 전략은 정책의 일반화 능력을 향상시켜 두 가지 다른 조립 작업에서 성공적인 실세계 구현을 가능하게 하였다.