[论文解读] Stable bin packing of non-convex 3D objects with a robot manipulator

Fan Wang, Kris Hauser|arXiv (Cornell University)|Dec 10, 2018

Optimization and Packing Problems参考文献 19被引用 7

一句话总结

本文提出了一种适用于非凸3D物体的可构造、机器人可打包的 bin packing 流程，确保了稳定性与机器人运动可行性。该方法引入了高度图最小化启发式算法以减少堆叠体积，并采用优先级3D/5D搜索策略，在小件物品打包中实现了100%的成功率，在大件物品集合中实现了80%的成功率，显著优于标准求解器。

ABSTRACT

Recent progress in the field of robotic manipulation has generated interest in fully automatic object packing in warehouses. This paper proposes a formulation of the packing problem that is tailored to the automated warehousing domain. Besides minimizing waste space inside a container, the problem requires stability of the object pile during packing and the feasibility of the robot motion executing the placement plans. To address this problem, a set of constraints are formulated, and a constructive packing pipeline is proposed to solve for these constraints. The pipeline is able to pack geometrically complex, non-convex objects with stability while satisfying robot constraints. In particular, a new 3D positioning heuristic called Heightmap-Minimization heuristic is proposed, and heightmaps are used to speed up the search. Experimental evaluation of the method is conducted with a realistic physical simulator on a dataset of scanned real-world items, demonstrating stable and high-quality packing plans compared with other 3D packing methods.

研究动机与目标

• 为填补自动化仓库打包中的空白，提出一个包含稳定性与运动学可行性的机器人可打包3D bin packing问题。
• 开发一种构造性算法，满足非重叠、包含、稳定性及操作可行性约束。
• 通过引入新型3D定位启发式算法与搜索优先级策略，提升机器人执行中的打包质量与成功率。
• 在真实扫描的3D物体上，基于真实物理仿真评估该方法，证明其在性能上显著优于基线方法。

提出的方法

• 设计了一种构造性流程，用于在满足四项约束（非重叠、包含、稳定性、操作可行性）的前提下搜索可行的放置方案。
• 引入高度图最小化（HM）启发式算法，以最小化从装载方向引起的物体堆叠体积增加，从而提升打包密度与稳定性。
• 采用优先级搜索策略，优先探索可能包含解的3D空间（位置+姿态），仅在必要时才退化到5D空间（包含夹爪姿态）。
• 使用高度图高效编码当前堆叠表面，以加速碰撞检测与稳定性检查。
• 通过物理仿真器验证机器人运动可行性，使用Staubli TX90机器人与真空夹爪，假设为自上而下的装载方式，提升1cm，静置20秒。
• 稳定性检查器确保每个物体在已打包物品与箱体之间均保持稳定，采用保守假设以降低失败风险。

实验结果

研究问题

• RQ1 一种构造性打包流程能否有效处理非凸3D物体，同时在自动化仓储中确保稳定性与机器人运动可行性？
• RQ2 高度图最小化启发式算法相较于现有启发式算法，在寻找稳定且机器人可打包的放置方案方面表现如何？
• RQ3 优先级3D搜索与完整5D搜索在计算效率与解的成功率方面有何影响？
• RQ4 与仅考虑非重叠约束相比，包含机器人可打包约束在多大程度上提升了开环执行的成功率？
• RQ5 机器人执行失败的原因是什么？如何通过改进稳定性与运动规划来减少此类失败？

主要发现

• 在3–5件物品的订单中，该方法在物理仿真器中的开环执行成功率达到100%，显著优于标准求解器17%的成功率。
• 在10件物品的压力测试中，80%的机器人可打包方案成功执行，表明在复杂打包场景下具有强鲁棒性。
• 高度图最小化启发式算法找到的有效放置数量多于现有启发式算法，在机器人可打包约束下平均得分比第二名DBLF高出1%。
• 仅有3.2%的物品需要回退至5D搜索，表明3D空间在捕捉可行解方面极为高效。
• 平均下落距离为1.36 cm（而非重叠约束下为1.95 cm），水平位移减少至0.50 cm，表明稳定性显著提升。
• 失败案例主要源于不稳定物体（如球体）移位，导致后续放置失败，凸显了改进稳定性检查的必要性。