[論文レビュー] Learning Models as Functionals of Signed-Distance Fields for Manipulation Planning

Danny Driess, Jung-Su Ha+2 more|arXiv (Cornell University)|Oct 2, 2021

Robotic Path Planning Algorithms参考文献 42被引用数 12

ひとこと要約

本論文は、符号付き距離関数（SDF）の関数的表現としての運動学的・動力学的モデルを学習する最適化ベースの操作計画フレームワークを提案する。これにより、多様なタスクに対して正確で幾何学的感度の高い計画が可能になる。物体をSDFとして表現することで、点群や占有グリッドと比較して、より優れた予測精度と計画に有用な勾配を得ることができ、統一されたフレームワーク内で、吊り下げるタスクと押すタスクの両方を成功裏に解決する。

ABSTRACT

This work proposes an optimization-based manipulation planning framework where the objectives are learned functionals of signed-distance fields that represent objects in the scene. Most manipulation planning approaches rely on analytical models and carefully chosen abstractions/state-spaces to be effective. A central question is how models can be obtained from data that are not primarily accurate in their predictions, but, more importantly, enable efficient reasoning within a planning framework, while at the same time being closely coupled to perception spaces. We show that representing objects as signed-distance fields not only enables to learn and represent a variety of models with higher accuracy compared to point-cloud and occupancy measure representations, but also that SDF-based models are suitable for optimization-based planning. To demonstrate the versatility of our approach, we learn both kinematic and dynamic models to solve tasks that involve hanging mugs on hooks and pushing objects on a table. We can unify these quite different tasks within one framework, since SDFs are the common object representation. Video: https://youtu.be/ga8Wlkss7co

研究の動機と目的

• 符号付き距離関数（SDF）の関数的表現として学習されたモデルを活用する操作計画フレームワークを開発し、計画の効率性と正確性を向上させること。
• SDFを一般かつ微分可能な物体表現として用いることで、生のセンサデータと計画制約の間を橋渡しする、認識空間に根ざしたモデルの構築という課題に取り組むこと。
• SDFに基づくモデルを用いて、フックにマグカップをかけるタスクや物体を押すタスクなど、多様な操作タスクを、最適化ベースの計画フレームワーク内で統一的に扱うこと。
• SDFベースのモデルが、点群や占有ベースの表現と比較して、予測性能が高く、最適化ベースの計画においてより情報量の多い勾配を提供することを示すこと。

提案手法

• シーン内の物体は、内部および外部の距離を含む幾何的情報を符号付き距離関数（SDF）として表現する。
• 運動学的および動力学的モデルは、これらのSDFの関数的表現として学習され、関数的出力が操作インタラクションの成功を決定するか、前方動的を予測する。
• 軌道最適化フレームワークは、これらの学習済み関数的表現を制約として統合し、計画時間軸の各段階でアクティブな関数的表現を決定する離散的決定を含む。
• SDFは共有の2次元畳み込みエンコーダーを介して200次元の特徴ベクトルに符号化され、クエリポイントの特徴と組み合わせられ、多層パーセプトロン（MLP）を介して関数的出力を予測する。
• 非凸性に対処するため、プッシュャーの軌道に対して物体の周囲に4つの固定初期化点を用い、各シーンで複数回の最適化を実行して最良の解を選択する。
• 複数段階の計画（例：複数のプッシュ段階）をサポートするため、最適化が段階数と対応する初期化点の数を決定できるようにする。

実験結果

リサーチクエスチョン

• RQ1 学習されたSDFの関数的表現は、統一された計画フレームワーク内で運動学的および動力学的操作モデルを効果的に表現できるか？
• RQ2 点群や占有グリッドと比較して、SDFを幾何的表現として用いることで、モデルの正確性と計画効率にどのような差が生じるか？
• RQ3 SDFベースのモデルは、代替表現と比較して、最適化ベースの計画においてより情報量の多い勾配を提供できるか？
• RQ4 同じSDFベースの関数的表現モデルを用いて、1つのフレームワークが、吊り下げるタスクや押すタスクなど多様な操作タスクをどれほど効果的に処理できるか？
• RQ5 複雑な操作シナリオにおける非凸性や局所最適解の問題に対して、最適化フレームワークはどれほど頑健か？

主な発見

• SDFベースのモデルは、点群や占有ベースのモデルよりも、特に操作に関連する複雑な非凸形状を捉える上で、より優れた予測正確性を示す。
• SDF表現により、最適化に有用な勾配が関数的表現から得られ、軌道計画における収束性と解の質が向上する。
• 本フレームワークは、L字型やボックス型の物体を含む、形状やサイズが異なる物体を対象とした複数段階のプッシュタスクを成功裏に計画できる。
• 再訓練なしに、さまざまな物体形状や配置に一般化できることを示しており、多様なテストケースで一貫した性能を発揮する。
• プッシャーの軌道に4つの固定初期化点を用いることで、初期設定が最適でない場合でも、非凸なシナリオにおいても妥当な解への収束が著しく向上する。
• 20個の候補解（4つの1段階および16の2段階）から最良の解を選択する最適化フレームワークにより、ベースライン手法と比較して制約違反とコストが低減されている。