[論文レビュー] Friction Variability in Auto-collected Dataset of Planar Pushing Experiments and Anisotropic Friction.

Daolin Ma, Alberto Rodríguez|arXiv (Cornell University)|Feb 27, 2018

Robot Manipulation and Learning参考文献 15被引用数 3

ひとこと要約

この論文は、材料の非均質性、摩擦の異方性、データ収集のダイナミクスに起因する、平面プッシュデータセットにおける摩擦のばらつきを調査する。提案された異方性摩擦モデルは、等方的モデルと比較してバイアスを低減し、予測精度を向上させることを示しており、データ収集プロセス自体が学習済み摩擦モデルに系統的誤差をもたらす可能性があることを明らかにしている。

ABSTRACT

Friction plays a key role in manipulating objects. Most of what we do with our hands, and most of what robots do with their grippers, is based on the ability to control frictional forces. This paper aims to better understand the variability and predictability of planar friction. In particular, we focus on the analysis of a recent dataset on planar pushing by [1] devised to create a data-driven footprint of friction. We show in this paper how we can explain a significant fraction of the observed unconventional phenomena, e.g., stochasticity and multi-modality, by combining the effects of material non-homogeneity, anisotropy of friction and biases due to data collection dynamics. We introduce an anisotropic friction model and conduct simulation experiments comparing with more standard isotropic friction models. The anisotropic friction between object and supporting surface results in convergence of initial condition during the automated data collection. Numerical results confirm that the anisotropic friction model explains the bias in the dataset and the apparent stochasticity in the outcome of a push. The fact that the data collection process itself can originate biases in the collected datasets, resulting in deterioration of trained models, calls attention to the data collection dynamics.

研究の動機と目的

• 平面プッシュ実験における予測不能さの原因を理解すること、特に結果の顕著な確率的性質と多峰性を対象とする。
• 材料の非均質性と摩擦の異方性が、現実世界のデータセットで観察される摩擦ばらつきにどのように寄与するかを調査すること。
• データ収集のダイナミクスが、データ駆動型摩擦学習におけるモデル性能の低下を引き起こす系統的バイアスを生じるかどうかを評価すること。
• 標準的な等方的モデルと比較して、データセットの挙動をよりよく説明できる異方性摩擦モデルを構築・検証すること。
• 実世界のデータに基づくロボット操作ポリシーを訓練する際、データ収集のダイナミクスを考慮することが重要であることを強調すること。

提案手法

• 摩擦力の方向依存性を捉えるために、方向に依存する係数を有する法線成分および接線成分を組み込んだ異方性摩擦モデルを定式化する。
• 自動収集された平面プッシュデータセットの条件を再現するために、モデルをシミュレーション環境に統合する。
• 直接比較が可能なように、提案された異方性モデルと標準的な等方的摩擦モデルの両方を用いてシミュレーションを実施する。
• 実データ収集プロセスで観察された初期条件の収束行動を反映するために、シミュレーションの初期条件を調整する。
• 統計的分析により、両モデルの予測結果を実際のデータセットの軌道と比較し、バイアスと予測精度を評価する。
• ロボットの運動パターンや接触の一貫性といったデータ収集のダイナミクスが、データセットにおける系統的バイアスの原因としてモデル化される。

実験結果

リサーチクエスチョン

• RQ1 材料の非均質性と摩擦の異方性は、平面プッシュの結果における観察されたばらつきをどの程度説明できるか？
• RQ2 データ収集のダイナミクスは、初期条件の収束に関して、データセットにおけるバイアスにどのように寄与するか？
• RQ3 等方的モデルと比較して、異方性摩擦モデリングはプッシュ結果の顕著な確率的性質を低減できるか？
• RQ4 等方的モデルと比較して、異方性モデルの実世界のプッシュ軌道予測性能はどのように異なるか？
• RQ5 これらのデータ由来のバイアスは、データ駆動型ロボット操作ポリシーの訓練にどのような影響を及えるか？

主な発見

• 自動収集されたプッシュデータセットをシミュレートする際、異方性摩擦モデルは等方的モデルと比較して予測誤差を顕著に低減した。
• モデルは、等方的仮定とは整合しない、データ収集過程での初期条件の収束をうまく説明できた。
• プッシュ結果における顕著な確率的性質の大部分は、真のランダムネスではなく、モデル化されていない異方性と材料の非均質性に起因している。
• データ収集プロセス自体が系統的バイアスを引き起こしており、特に初期状態の分布に顕著で、学習済みモデルの性能を低下させる可能性がある。
• シミュレーション結果から、異方性モデルが特に多峰性領域において、データセットの挙動をより正確に捉えていることが確認された。
• これらの発見は、ロボット分野における信頼性の高いデータ駆動型摩擦モデリングを実現するためには、データ収集のダイナミクスを明示的にモデル化または考慮する必要があることを示唆している。