[论文解读] A Summary of Team MIT's Approach to the Amazon Picking Challenge 2015

Kuan‐Ting Yu, Nima Fazeli+5 more|arXiv (Cornell University)|Apr 13, 2016

Advanced Manufacturing and Logistics Optimization参考文献 10被引用 43

一句话总结

MIT团队为2015年亚马逊抓取挑战赛开发了一套完全自动化的机器人系统，采用RGB-D感知、精确的运动学标定和轨迹规划技术，自主定位并抓取Kiva式货架上的12种不同且杂乱的物体。该系统获得第二名，仅用7分钟内成功抓取7件物品，且人工干预极少，展示了在严苛约束条件下真实世界感知与操作的鲁棒性。

ABSTRACT

The Amazon Picking Challenge (APC), held alongside the International Conference on Robotics and Automation in May 2015 in Seattle, challenged roboticists from academia and industry to demonstrate fully automated solutions to the problem of picking objects from shelves in a warehouse fulfillment scenario. Packing density, object variability, speed, and reliability are the main complexities of the task. The picking challenge serves both as a motivation and an instrument to focus research efforts on a specific manipulation problem. In this document, we describe Team MIT's approach to the competition, including design considerations, contributions, and performance, and we compile the lessons learned. We also describe what we think are the main remaining challenges.

研究动机与目标

• 开发一套完全自主的机器人系统，能够在真实世界条件下可靠地从仓库货架上抓取多样且杂乱的物体。
• 应对因物体差异性、包装反光性以及货架几何结构带来的感知、标定与操作挑战。
• 通过确保系统稳定性和故障后快速恢复能力，最大限度减少部署过程中的人员干预。
• 在高风险、时间受限的竞赛环境中验证系统性能，以模拟真实仓库物流场景。

提出的方法

• 将集成的RGB-D传感器与自定义标定流程结合，生成货架及物体的精确三维点云。
• 采用模块化ROS软件架构，并使用Procman实现可靠的系统启动与关闭，降低集成复杂度。
• 基于对货架隔间详细几何建模的轨迹规划，考虑隔板边缘特征与隔间尺寸差异。
• 采用可重构机械臂与专为快速更换和高精度抓取设计的自定义夹爪。
• 融合多视角RGB与深度数据，提升物体检测与定位精度，尤其针对反光或小型物体。
• 通过关节转矩反馈实现闭环控制，检测并中止危险运动，防止执行过程中的设备损坏。

实验结果

研究问题

• RQ1 机器人系统如何在真实仓库环境中，对多样、反光及易变形物体实现可靠感知？
• RQ2 成功操作所需的几何标定精度达到何种水平？是否可通过实时视觉反馈降低对高精度预标定的依赖？
• RQ3 在时间压力下，如何在极少人工干预的情况下最大化系统可靠性？
• RQ4 多视角感知与点云融合在提升小型或被遮挡物体检测精度方面发挥何种作用？
• RQ5 当前的感知与控制架构能否实现狭窄空间内的精细操作？

主要发现

• 系统在7分钟内成功抓取12件目标物品中的7件，位列30多支国际团队中的第二名。
• 系统初期因夹爪重启导致5分钟罚时，但随后成功恢复并保持稳定运行。
• 使用Procman进行系统管理显著提升了启动可靠性，优于标准roslaunch。
• 系统通过检测并中止转矩过载防止了设备损坏，但规则禁止在停止后手动重启。
• 反光与小型物体的感知挑战依然存在，凸显多视角融合与改进深度传感的必要性。
• 团队结论认为，未来系统应减少对精确预标定的依赖，转而采用反应式、基于视觉的反馈以提升鲁棒性。