[논문 리뷰] Using Geometry to Detect Grasps in 3D Point Clouds

Andreas ten Pas, Robert W. Platt|arXiv (Cornell University)|2015. 01. 13.

Image Processing and 3D Reconstruction참고 문헌 27인용 수 45

한 줄 요약

이 논문은 충돌 방지 샘플링과 반대 방향 그립 기하학을 사용하여 새로운 물체의 3D 포인트 클라우드에서 그립 포인트를 탐지하기 위한 기하학적 기반 방법을 제시한다. 이 방법은 대량의 자동 레이블링된 훈련 데이터를 생성하며, 고립된 물체에서는 88%의 그립 성공률을, 농도 있는 혼잡한 환경에서는 73%의 성공률을 기록한다. 이는 복잡한 인식 기술이나 인간에 의한 레이블링 데이터에 의존하지 않더라도 기하학적 제약 조건만으로도 뛰어난 성능을 낼 수 있음을 보여준다.

ABSTRACT

This paper proposes a new approach to detecting grasp points on novel objects presented in clutter. The input to our algorithm is a point cloud and the geometric parameters of the robot hand. The output is a set of hand configurations that are expected to be good grasps. Our key idea is to use knowledge of the geometry of a good grasp to improve detection. First, we use a geometrically necessary condition to sample a large set of high quality grasp hypotheses. We were surprised to find that using simple geometric conditions for detection can result in a relatively high grasp success rate. Second, we use the notion of an antipodal grasp (a standard characterization of a good two fingered grasp) to help us classify these grasp hypotheses. In particular, we generate a large automatically labeled training set that gives us high classification accuracy. Overall, our method achieves an average grasp success rate of 88% when grasping novels objects presented in isolation and an average success rate of 73% when grasping novel objects presented in dense clutter. This system is available as a ROS package at http://wiki.ros.org/agile_grasp.

연구 동기 및 목표

• 새로운 물체의 혼잡한 환경에서 그립 탐지 성능을 향상시키기 위해 좋은 그립의 기하학적 제약 조건을 활용한다.
• 반대 방향 그립 조건을 활용하여 그립 가설을 자동으로 레이블링함으로써 인간에 의한 레이블링 데이터에 대한 의존도를 줄인다.
• 막힘과 환경 장애물로 인해 인식이 어려운 밀도 높은 혼잡한 환경에서도 높은 그립 성공률을 달성한다.
• 기하학적 추론과 합성 레이블 기반의 머신러닝만을 사용하여 실세계 로봇 그립을 위한 실용적인 ROS 통합 시스템을 개발한다.

제안 방법

• 로봇 손이 충돌 없이 위치하고 물체 표면이 손가락 사이에 포함되어야 하는 기하학적으로 필수적인 조건을 만족하는 그립 가설을 샘플링한다.
• 손가락 끝이 반대 방향으로 물체에 접촉하는 반대 방향 그립 조건을 기준으로 하여 포인트 클라우드 내 대량의 그립 가설을 자동으로 레이블링한다.
• 자동으로 레이블링된 데이터를 기반으로 서포트 벡터 머신(SVM) 분류기를 훈련시켜 유효한 그립과 비유효한 그립을 구분한다.
• 감지 정확도를 햖을 뿐만 아니라, 가림이나 비이상적인 시야 조건에서도 성능을 높이기 위해 이중 시야 등록된 포인트 클라우드를 처리한다.
• 로봇 플랫폼인 Baxter와 같은 시스템과의 통합을 위해 ROS 패키지로 시스템을 구현하여 실시간 그립을 구현한다.
• 물체에 특화된 특징 학습이나 인간의 시범 학습을 피하고, 기하학적 사전 지식과 자기 지도 학습 기반의 데이터 생성에 의존한다.

실험 결과

연구 질문

• RQ1 물체에 특화된 특징이나 인간의 레이블링에 의존하지 않고도 단순한 기하학적 제약 조건만으로도 3D 그립 탐지에서 높은 성공률를 달성할 수 있는가?
• RQ2 반대 방향 그립 조건이 실세계 포인트 클라우드에서 그립 탐지기의 훈련을 위한 자기 지도 레이블링 메커니즘으로서 얼마나 효과적인가?
• RQ3 막힘과 간섭이 심한 밀도 높은 혼잡한 환경에서 기하학적 기반의 그립 탐지 시스템의 성능은 어떠한가?
• RQ4 다중 시야를 사용할 경우, 비이상적인 센싱 조건에서 그립 탐지의 견고성은 얼마나 향상되는가?
• RQ5 오직 기하학적 샘플링과 머신러닝에 의존하는 시스템이 광범위한 인간 레이블링 훈련 데이터가 필요한 기존 방법보다 뛰어난 성능을 낼 수 있는가?

주요 결과

• 기하학적 샘플링 방법만으로도 고립된 새로운 물체에서 73%의 그립 성공률를 기록하여 단순한 기하학적 제약 조건의 효과를 입증한다.
• 자동으로 레이블링된 반대 방향 그립 가설을 기반으로 훈련된 SVM 분류기를 적용한 결과, 고립된 물체에서 그립 성공률가 87.8%로 향상된다.
• 밀도 높은 혼잡한 환경에서는 73%의 그립 성공률유지되며, 이는 높은 수준의 가림과 환경 간섭이 존재하는 상황에서 놀라운 성능이다.
• 혼잡한 환경에서 실패의 9%는 인식 오류에서 기인하며, 이는 복잡한 환경에서 인식이 여전히 주요 한계임을 시사한다.
• 단일 시야에서 이중 시야로 전환할 경우, 잘 보이지 않는 물체의 그립 성공률가 66.7%에서 83.3%로 상승하여 다중 시야 융합이 견고성 향상에 크게 기여함을 보여준다.
• 인간 레이블링 데이터 없이도 높은 성능을 달성하며, 반대 방향 그립 조건에 의한 자동 레이블링 덕분에 대규모 훈련이 가능하다.