[논문 리뷰] Cloth Manipulation Using Random Forest-Based Controller Parametrization.

Biao Jia, Zherong Pan외 3명|arXiv (Cornell University)|2018. 02. 27.

3D Shape Modeling and Analysis참고 문헌 37인용 수 4

한 줄 요약

이 논문은 시각적 특징을 직접 최적의 제어 동작으로 매핑함으로써 천과 같은 고도수의 탄성 물체를 견고하게 조작하기 위한 랜덤 포레스트 기반 제어기를 제안한다. 애벌레 학습을 통해 훈련 데이터 분류와 제어기 최적화를 통합함으로써, 소음에 강한 성능을 달성하며, 평탄화, 접기, 비틀기 등의 작업에서 선형 기반 대비 최소한의 초모수 조정으로도 뛰어난 성능을 발휘한다.

ABSTRACT

We present a novel approach for robust manipulation of high-DOF deformable objects such as cloth. Our approach uses a random forest-based controller that maps the observed visual features of the cloth to an optimal control action of the manipulator. The topological structure of this random forest-based controller is determined automatically based on the training data consisting visual features and optimal control actions. This enables us to integrate the overall process of training data classification and controller optimization into an imitation learning (IL) approach. Our approach enables learning of robust control policy for cloth manipulation with guarantees on convergence.We have evaluated our approach on different multi-task cloth manipulation benchmarks such as flattening, folding and twisting. In practice, our approach works well with different deformable features learned based on the specific task or deep learning. Moreover, our controller outperforms a simple or piecewise linear controller in terms of robustness to noise. In addition, our approach is easy to implement and does not require much parameter tuning.

연구 동기 및 목표

• 실제 센서 및 액추에이터의 불확실성 하에서 고도수의 탄성 물체 조작, 특히 천에 대해 견고한 제어 정책을 개발하는 것.
• 수렴성과 일반화를 보장하는 방식으로 시각적 인식과 제어 정책 학습을 통합하는 문제를 해결하는 것.
• 수동적인 제어기 설계와 광범위한 초모수 조정에 의존하는 것을 줄이고, 데이터로부터 자동으로 제어기 구조 학습을 수행하는 것.

제안 방법

• 제어기는 천의 시각적 특징을 직접 최적의 조작기 제어 동작으로 매핑하는 데 랜덤 포레스트를 사용한다.
• 랜덤 포레스트의 위상적 구조는 시각적 특징과 해당 최적 제어 동작을 포함한 훈련 데이터로부터 자동으로 학습된다.
• 훈련 데이터 분류와 제어기 최적화를 통합된 애벌레 학습 프레임워크에 통합한다.
• 시각적 특징은 작업에 특화된 탄성 특성 기반으로 추출되거나, 작업 적응을 위해 딥 러닝을 통해 학습된다.
• 운동 방정식을 명시적으로 모델링하지 않고, 시연 데이터로부터 엔드 투 엔드로 학습함으로써 소음에 대한 저항성을 확보한다.

실험 결과

연구 질문

• RQ1 랜덤 포레스트 기반 제어기는 명시적인 역학 모델링 없이도 천 조작에 대해 견고하고 일반화 가능한 정책을 학습할 수 있는가?
• RQ2 애벌레 학습을 통한 훈련 데이터 분류와 제어기 최적화의 통합이 성능 향상과 수렴성에 어떻게 기여하는가?
• RQ3 이러한 방법이 소음이 많거나 복잡한 조작 상황에서 단순하거나 조각별 선형 제어기보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 최소한의 재조정으로 여러 천 조작 작업에 쉽게 배포할 수 있는가?

주요 결과

• 제안된 제어기는 평탄화, 접기, 비틀기 등 여러 천 조작 작업에서 견고한 성능을 달성한다.
• 센서 및 액추에이터 소음에 대한 저항성 측면에서 단순 및 조각별 선형 제어기보다 성능이 뛰어나다.
• 최소한의 매개변수 조정으로 충분하며, 간편하게 구현 가능하여 실용적 구현이 가능하다.
• 애벌레 학습 프레임워크는 정책 학습 중 수렴 보장을 보장하여 신뢰성을 향상시킨다.
• 작업에 특화된 또는 딥 러닝을 통해 학습된 탄성 특징을 입력으로 활용함으로써 다양한 작업 간의 일반화 성능이 뛰어나다.