[논문 리뷰] Decision Making in Joint Push-Grasp Action Space for Large-Scale Object Sorting

Zherong Pan, Kris Hauser|arXiv (Cornell University)|2020. 10. 20.

Robot Manipulation and Learning참고 문헌 17인용 수 6

한 줄 요약

이 논문은 대규모 물체 정렬을 위한 이중계층 운동 계획자를 제안하며, 평면 밀기와 천정 고정 타겟을 향한 집기 동작을 유기적으로 융합하여 높은 효율성과 완전성을 달성한다. 고수준 계획자는 비용 모델에 기반해 밀기 또는 집기 중 하나를 선택하고, 저수준 계획자는 반추적 탐색 공간과 조각별 이차 최적화를 사용하여 1단계 동작을 계산함으로써 최적에 가까운 해를 200개의 물체까지 10초 이내에 도출할 수 있으며, 집기 전용 방법 대비 최대 10배 빠른 성능을 보인다.

ABSTRACT

We present a planner for large-scale (un)labeled object sorting tasks, which uses two types of manipulation actions: overhead grasping and planar pushing. The grasping action offers completeness guarantee under mild assumptions, and planar pushing is an acceleration strategy that moves multiple objects at once. Our main contribution is twofold: (1) We propose a bilevel planning algorithm. Our high-level planner makes efficient, near-optimal choices between pushing and grasping actions based on a cost model. Our low-level planner computes one-step greedy pushing or grasping actions. (2) We propose a novel low-level push planner that can find one-step greedy pushing actions in a semi-discrete search space. The structure of the search space allows us to efficient We show that, for sorting up to $200$ objects, our planner can find near-optimal actions with $10$ seconds of computation on a desktop machine.

연구 동기 및 목표

• 대규모 물체 정렬에서 순차적 집기의 비효율성을 해결하기 위해 평면 밀기를 병렬 가속 전략으로 통합한다.
• 불확실성 하에서 작업의 실행 가능성과 완전성을 확보하기 위해 밀기 동작과 집기 동작을 조합하고, 집기를 보조 수단으로 활용한다.
• 결합된 밀기-집기 계획의 계산 복잡도를 줄이기 위해 의사결정 과정을 고수준 동작 선택과 저수준 근사 동작 계산으로 분해한다.
• 하이퍼파rameter 조정이 필요 없고 완전성에 결함이 없는 학습 기반 대안과 비교해도 성능이 유사한 파rameter-free이며 분석 기반의 계획자를 개발한다.
• 데스크톱 컴퓨팅 시간대 내에 50~200개의 물체를 효율적이고 거의 최적의 방식으로 정렬할 수 있도록 한다.

제안 방법

• 계획자는 이중계층 아키텍처를 사용한다: 고수준 계획자는 다수의 단계 동안 밀기 또는 집기 중 하나를 이진 결정하며, 저수준 계획자는 1단계 간격의 근사 동작을 계산한다.
• 저수준 집기 계획자는 기하학적 제약 조건 하에서 실행 가능한 집기 동작을 찾기 위해 혼합정수선형계획문제(MILP)를 해결한다.
• 저수준 밀기 계획자는 밀이의 방향과 접촉점 기반의 반추적 탐색 공간을 사용하여 후보 구성의 효율적 열거를 가능하게 한다.
• 최적의 밀기 동작은 조각별 이차 목적함수를 열거하여 찾으며, 고비용의 전역 최적화를 피한다.
• 고수준 계획자는 계획 기간 동안 총 이동 비용을 최소화하는 동작 시퀀스를 선택하기 위해 이행 비용 모델을 사용한다.
• 시스템은 완벽한 인식을 전제로 하며, 물체의 크기가 밀이 및 목표 영역에 비해 작다고 가정하는 단순화된 운동학 모델을 사용한다.

실험 결과

연구 질문

• RQ1 대규모 정렬에서 밀기 효율성과 집기 신뢰성 간의 상충 관계를 효과적으로 균형 잡는 데 이중계층 계획 프레임워크가 유용한가?
• RQ2 복잡한 역학을 가진 연속 동작 공간에서 1단계 근사 밀기 동작을 어떻게 효율적으로 계산할 수 있는가?
• RQ3 집기 전용 전략에 비해 밀기 전략이 동작 수와 총 이동 비용을 얼마나 줄일 수 있는가?
• RQ4 다수 단계를 앞서 보는 고수준 계획자가 단일 단계 탐욕적 결정에 비해 해의 품질을 크게 향상시키는가?
• RQ5 완전히 분석 기반이며 파rameter-free인 계획자가 하이퍼파rameter 조정이나 실패 분석이 필요 없는 학습 기반 방법과 유사한 성능을 달성할 수 있는가?

주요 결과

• 50~200개의 물체 정렬 시, 계획자는 데스크톱 컴퓨터에서 다음 동작을 10초 이내에 계산하여 실시간 의사결정을 가능하게 한다.
• 밀기와 집기 동작을 모두 사용할 경우, 집기 전용 전략 대비 실행 시간에서 최대 10배 빠른 성능을 기록한다. 특히 레이블이 없는 정렬 작업에서 두드러진다.
• 레이블이 없는 정렬(C=1)에서는 밀기 동작이 동작 수에서 6~15배, 이동 비용에서 3~10배의 빠른 성능 향상을 보였다.
• 고정된 할당이 있는 레이블 정렬(C=N)에서는 여전히 동작 수에서 1.4~3.1배, 이동 비용에서 1.6~4.2배의 빠른 성능 향상을 기록했다.
• 고수준 계획자는 대부분의 경우 이동 비용을 줄였으며, 최대 2배의 빠른 성능 향상을 달성했지만, 항상 동작 수를 줄이진 않았다.
• 고수준 계획 기간을 H=3를 초과해 늘일 경우 수익 감소 효과가 나타나며, 각 결정 당 계산 시간이 8초 증가한다.