[论文解读] Accurate Robotic Pouring for Serving Drinks

Yongqiang Huang, Yu Sun|arXiv (Cornell University)|Jun 21, 2019

Robot Manipulation and Learning参考文献 14被引用 5

一句话总结

本文提出了一种基于循环神经网络（RNN）的系统，通过从力传感器获取的倒出体积实时控制角速度，实现对液体的精确倒出。该系统在未见过的容器上实现了低于5 mL的误差，并能有效泛化至如糖浆和油等高粘度液体，其精度和适应性优于以往方法。

ABSTRACT

Pouring is the second most frequently executed motion in cooking scenarios. In this work, we present our system of accurate pouring that generates the angular velocities of the source container using recurrent neural networks. We collected demonstrations of human pouring water. We made a physical system on which the velocities of the source container were generated at each time step and executed by a motor. We tested our system on pouring water from containers that are not used for training and achieved an error of as low as 4 milliliters. We also used the system to pour oil and syrup. The accuracy achieved with oil is slightly lower than but comparable with that of water.

研究动机与目标

• 开发一种鲁棒且可泛化的机器人倒液系统，能够在多种容器和液体中精确倒出目标液体体积。
• 通过将角速度生成建模为序列控制问题，解决倒液过程中非线性、时变的动力学挑战。
• 通过在人类倒液示范数据上使用监督学习并结合真实的力传感器体积反馈，改进现有方法。
• 评估系统在未经训练的容器和不同粘度液体（包括油和糖浆）上的泛化能力。
• 证明该系统在受控倒液任务中的性能超越人类水平的精度。

提出的方法

• 系统使用带有窥孔连接的长短期记忆（LSTM）网络，根据实时倒出体积和容器特征生成角速度指令。
• 输入特征包括目标体积、当前倒出体积、容器直径、高度和总容量，并在时间步长上顺序处理。
• 通过力传感器测量实时体积，记录了284次水的倒液人类示范，构成训练数据集。
• 构建了包含Dynamixel MX-64电机和力传感器的物理机器人系统，用于执行和评估RNN生成的速率指令。
• RNN通过最小化目标倒出体积与实际倒出体积之间的差异进行训练，模型选择基于验证性能。
• 在未重新训练的情况下，使用相同的RNN策略在未经训练的容器和液体（油、糖浆）上测试泛化性能。

实验结果

研究问题

• RQ1 监督学习的RNN策略能否学会为不同容器中的水倒出生成准确的角速度序列？
• RQ2 系统在训练期间未见过的容器上的性能如何？
• RQ3 同一策略在倒出粘度不同于水的液体（如油和糖浆）时能否保持高精度？
• RQ4 与现有方法相比，基于RNN的系统在精度和适应性方面是否表现更优？
• RQ5 在相同条件下，系统的精度与人类倒液表现相比如何？

主要发现

• 在训练期间使用过的容器（红色水杯）倒水时，系统平均误差为3.71 mL。
• 对于五个未经训练的容器，平均误差范围为4.12 mL（细长瓶）至12.37 mL（人形杯），其中细长瓶的性能接近训练水平。
• 系统优于人类受试者，后者在40次试验中平均误差为10.8 mL，证明了更高的精度。
• 倒出油（粘度65 cP）时，系统平均误差为4.11 mL，与水的性能相当。
• 对于高粘度糖浆（2000 cP），平均误差为15.66 mL，表明性能有所下降，但仍处于许多应用可接受的范围内。
• 系统在新容器和液体上表现出有效的泛化能力，证明其在训练分布之外仍具有鲁棒性。