[论文解读] Planning for target retrieval using a robotic manipulator in cluttered and occluded environments

Changjoo Nam, Jinhwi Lee+4 more|arXiv (Cornell University)|Jul 9, 2019

Robotic Path Planning Algorithms被引用 11

一句话总结

本文提出了一种多项式时间、完备的机器人操作规划算法，用于在杂乱、遮挡环境中检索目标物体，通过最小化物体重新定位次数来直接减少执行时间，因为抓取和释放操作占用了大部分运行时间。该方法优于基线的距离优化方法，在模拟中实现最高25.1%的检索速度提升，在真实物理机器人实验中实现24.1%的执行速度提升。

ABSTRACT

This paper presents planning algorithms for a robotic manipulator with a fixed base in order to grasp a target object in cluttered environments. We consider a configuration of objects in a confined space with a high density so no collision-free path to the target exists. The robot must relocate some objects to retrieve the target while avoiding collisions. For fast completion of the retrieval task, the robot needs to compute a plan optimizing an appropriate objective value directly related to the execution time of the relocation plan. We propose planning algorithms that aim to minimize the number of objects to be relocated. Our objective value is appropriate for the object retrieval task because grasping and releasing objects often dominate the total running time. In addition to the algorithm working in fully known and static environments, we propose algorithms that can deal with uncertain and dynamic situations incurred by occluded views. The proposed algorithms are shown to be complete and run in polynomial time. Our methods reduce the total running time significantly compared to a baseline method (e.g., 25.1% of reduction in a known static environment with 10 objects

研究动机与目标

• 通过最小化物体重新定位次数来减少机器人目标检索的总执行时间，因为抓取和释放操作占用了大部分运行时间。
• 为已知、静态的杂乱环境设计一种完备且多项式时间的规划算法。
• 将该算法扩展以处理由遮挡引起的不确定性和动态变化，适用于真实世界场景。
• 通过集成视觉的机器人系统，在仿真和物理实验中验证该方法。
• 在多种杂乱配置下，展示该方法相对于距离优化基线方法的一致性能提升。

提出的方法

• 该算法将检索任务建模为一个优化问题，目标是最小化需要重新定位的物体数量。
• 通过图搜索方法寻找末端执行器的无碰撞路径，仅移除必要的障碍物。
• 对于部分已知环境，该方法通过考虑遮挡物体并根据新观测动态更新规划来处理不确定性。
• 该算法被证明是完备的，并且在多项式时间内运行，确保了可扩展性和可靠性。
• 在物理实验中，使用RGB-D数据上的Faster R-CNN进行物体检测，运动规划通过RRT结合逆运动学实现。
• 系统集成了Kinova Jaco 1机器人与Kinect V2传感器，以实现实时感知与执行。

实验结果

研究问题

• RQ1 与距离优化路径规划相比，最小化物体重新定位次数是否能显著减少总任务执行时间？
• RQ2 是否可能为杂乱、静态环境中的物体检索设计一种完备且多项式时间的算法？
• RQ3 在因遮挡导致部分物体在规划时不可见的不确定性环境下，该方法表现如何？
• RQ4 该算法在不同物体配置和密度下是否能保持一致的性能表现？
• RQ5 该方法在具有视觉反馈的真实机器人系统中是否具备良好的可扩展性？

主要发现

• 在包含10个物体的已知静态环境中，与距离优化基线相比，该方法将重新定位次数最多减少29.0%，总运行时间减少25.1%。
• 在物理机器人实验中，总执行时间减少24.1%（174.5秒 vs. 229.9秒），平均重新定位次数减少33.3%。
• 所提算法在随机配置下的性能方差更低，表明其性能比基线方法更稳定、更可靠。
• 在物体密度更高或工作空间更深的场景中，该方法仍保持优异性能，相比基线策略最多减少101秒的运行时间。
• 该算法在仿真和真实世界环境中均表现出良好的可扩展性和鲁棒性，在所有测试场景中均实现一致的性能提升。
• 采用遮挡感知规划的方法使系统能够在部分可观测环境中可靠运行，且无需事先掌握所有物体位置的完整信息。