[论文解读] DoraPicker: An Autonomous Picking System for General Objects

Hao Zhang, Pinxin Long+11 more|arXiv (Cornell University)|Mar 21, 2016

Robotic Path Planning Algorithms参考文献 23被引用 4

一句话总结

DoraPicker 展示了一套自主机器人系统，用于在仓库环境中抓取和放置通用物体，该系统采用先进感知、抓取规划以及三种专用夹爪（真空夹爪、Openhand M2 夹爪和柔性夹爪）。该系统在杂乱的现实环境中表现出稳健性能，跨多种物体类型均实现高成功率，其主要贡献在于面向任务的感知技术以及面向工业部署的软硬件协同设计。

ABSTRACT

Robots that autonomously manipulate objects within warehouses have the potential to shorten the package delivery time and improve the efficiency of the e-commerce industry. In this paper, we present a robotic system that is capable of both picking and placing general objects in warehouse scenarios. Given a target object, the robot autonomously detects it from a shelf or a table and estimates its full 6D pose. With this pose information, the robot picks the object using its gripper, and then places it into a container or at a specified location. We describe our pick-and-place system in detail while highlighting our design principles for the warehouse settings, including the perception method that leverages knowledge about its workspace, three grippers designed to handle a large variety of different objects in terms of shape, weight and material, and grasp planning in cluttered scenarios. We also present extensive experiments to evaluate the performance of our picking system and demonstrate that the robot is competent to accomplish various tasks in warehouse settings, such as picking a target item from a tight space, grasping different objects from the shelf, and performing pick-and-place tasks on the table.

研究动机与目标

• 开发一种可靠、自主的机器人系统，能够在非结构化或半结构化的仓库环境中抓取和放置通用物体。
• 解决在真实仓库场景中处理各种形状、重量和材质物体的挑战。
• 将感知、抓取规划、运动规划与硬件设计整合为一个协同优化、面向任务的系统。
• 在多种真实场景中评估系统性能，包括基于置物架和桌面的抓取与放置任务。
• 识别工业部署的关键设计原则，包括错误恢复机制和软硬件协同设计。

提出的方法

• 系统利用 RGB-D 相机和工作区知识，检测并估计杂乱场景中目标物体的 6D 姿态。
• 采用面向任务的感知流程，利用对工作区的先验知识（如置物架布局、容器位置）提升检测和姿态估计的准确性。
• 使用三种定制夹爪——真空夹爪、Openhand M2 夹爪和柔性夹爪——以应对广泛的物体几何形状、重量和材质。
• 根据夹爪类型调整抓取规划，运动规划生成无碰撞的接近与抓取轨迹。
• 系统采用模块化软件架构，集成感知、规划、控制和错误恢复机制。
• 通过故障分析识别出透明/反光物体、物体遮挡以及多物体抓取的挑战，为未来改进提供依据。

实验结果

研究问题

• RQ1 机器人系统如何在杂乱的真实仓库环境中实现对通用物体的稳健、自主抓取？
• RQ2 基于工作区知识的面向任务感知在提升物体检测和 6D 姿态估计准确性方面发挥何种作用？
• RQ3 在真实环境中，不同夹爪设计（真空、刚性、柔性）在各类物体上的性能表现如何比较？
• RQ4 在设计可靠、工业级抓取与放置系统时，软硬件之间的关键权衡是什么？
• RQ5 自主抓取中常见的故障模式有哪些？如何设计错误恢复机制以提升系统鲁棒性？

主要发现

• 柔性夹爪在 30 个测试物体中成功抓取了 28 个，展现出对各种形状和材质的广泛兼容性。
• 真空夹爪在轻质、平坦或非多孔物体（如纸张、纸箱和小容器）上表现最佳。
• Openhand M2 夹爪在稳定、非易碎物品上表现良好，但由于抓取范围有限且稳定性不足，不适用于基于置物架的抓取任务。
• 系统在桌面抓取与放置任务中实现了高成功率，柔性夹爪在处理不规则和易碎物体方面优于其他夹爪。
• 故障案例包括因物体间距过近而同时抓取非目标物体，以及由于 RGB-D 可见性差导致透明或反光物体抓取困难。
• 研究结论认为，面向任务的感知和软硬件协同设计对实现稳健的工业部署至关重要，且错误恢复机制是保障系统可靠性的关键。