[论文解读] More than a Million Ways to Be Pushed: A High-Fidelity Experimental Dataset of Planar Pushing

Kuan‐Ting Yu, Maria Bauzá+2 more|arXiv (Cornell University)|Apr 14, 2016

Robot Manipulation and Learning参考文献 23被引用 15

一句话总结

本文提出了一项包含一百多万次平面推 push 交互的高保真实验数据集，记录了六个变量下的精确位姿与受力情况：物体形状、表面材质、接触位置、推动力方向、速度和加速度。通过配备力/力矩传感器和Vicon追踪系统的机械臂进行实验，研究揭示了摩擦力和运动结果存在显著变异性，挑战了传统确定性推 push 模型中的常见假设，并强调了在机器人操作中采用随机和数据驱动方法的必要性。

ABSTRACT

Pushing is a motion primitive useful to handle objects that are too large, too heavy, or too cluttered to be grasped. It is at the core of much of robotic manipulation, in particular when physical interaction is involved. It seems reasonable then to wish for robots to understand how pushed objects move. In reality, however, robots often rely on approximations which yield models that are computable, but also restricted and inaccurate. Just how close are those models? How reasonable are the assumptions they are based on? To help answer these questions, and to get a better experimental understanding of pushing, we present a comprehensive and high-fidelity dataset of planar pushing experiments. The dataset contains timestamped poses of a circular pusher and a pushed object, as well as forces at the interaction.We vary the push interaction in 6 dimensions: surface material, shape of the pushed object, contact position, pushing direction, pushing speed, and pushing acceleration. An industrial robot automates the data capturing along precisely controlled position-velocity-acceleration trajectories of the pusher, which give dense samples of positions and forces of uniform quality. We finish the paper by characterizing the variability of friction, and evaluating the most common assumptions and simplifications made by models of frictional pushing in robotics.

研究动机与目标

• 为解决机器人推 push 任务中缺乏标准化、高质量实验数据集的问题，该问题阻碍了模型的评估与开发。
• 检验摩擦推 push 分析模型中常见假设的有效性，特别是关于摩擦系数恒定性以及力-运动关系的假设。
• 量化在重复、相同推 push 条件下，物体运动结果的变异性及其非高斯特性。
• 提供一个基准数据集，用于开发和评估更精确的随机或半参数化摩擦推 push 模型。
• 通过支持基于数据的现实世界推 push 动力学建模，为未来在仿真、规划和控制方面的研究提供支持。

提出的方法

• 使用工业级ABB IRB 120机械臂，通过精确的位置-速度-加速度轨迹自动化执行推 push 实验，确保数据采集的可重复性与高保真度。
• 配备ATI力/力矩传感器的钢质推杆在每次推 push 过程中以高采样率记录交互力。
• 采用Vicon运动追踪系统以高时间分辨率捕捉被推物体的3D位姿（位置与姿态）。
• 系统性地改变六个维度：物体形状、表面材质、接触位置、推动力方向、速度和加速度，共生成超过一百万条带时间戳的数据点。
• 数据集包含每种实验条件下力、推杆位姿和物体位姿的时间序列，支持对动态推 push 行为的详细分析。
• 在每种表面材质上执行2,000次重复推 push 实验，用于评估运动分布、变异性及模型预测误差。

实验结果

研究问题

• RQ1 在重复推 push 条件下，物体运动结果的分布在多大程度上偏离高斯分布假设？
• RQ2 标准确定性摩擦推 push 模型与真实实验数据相比，其准确性如何？
• RQ3 摩擦系数在多大程度上随表面材质、取向、速度和时间而变化？
• RQ4 推 push 速度、加速度和接触几何形状的变化如何影响运动变异性？
• RQ5 通过数据驱动方法，能否系统性地建模或预测推 push 结果的观测变异性？

主要发现

• 重复推 push 后物体最终位姿的分布表现出多峰结构，且非高斯分布，表明存在显著的结构性变异性。
• 最终位移的标准差范围为3.4 mm（Delrin）至11.7 mm（PU），相对于平均位移的误差率高达12.5%，凸显了表面材质对结果的显著影响。
• 从确定性模型[24]模拟的轨迹与实验平均轨迹存在显著差异，表明即使在成熟模型中，也难以捕捉真实世界动力学。
• 摩擦系数并非恒定；其在空间、取向、速度和时间上均存在变化，挑战了标准模型中摩擦系数固定的假设。
• 如Delrin和ABS等较硬材料表现出更低的变异性，并与确定性模型有更好一致性，表明模型保真度具有材料依赖性。
• 数据集表明，即使在低速（20 mm/s）条件下，惯性效应也不可忽略，提示真实模型必须考虑动态推 push 效应。