[论文解读] Estimation and Exploitation of Objects' Inertial Parameters in Robotic Grasping and Manipulation: A Survey

Nikos Mavrakis, Rustam Stolkin|arXiv (Cornell University)|Nov 11, 2019

Robot Manipulation and Learning参考文献 98被引用 54

一句话总结

本综述提出了一种对机器人抓取与操作中估计和利用物体惯性参数（质量、质心、惯性张量）的方法进行综合分类的框架。它将方法分类为纯视觉、探索性以及固定物体估计三类，展示了惯性知识如何提升抓取规划、操作控制与双臂协作的性能，并在方法论整合与机器人领域应用映射方面做出了关键贡献。

ABSTRACT

Inertial parameters characterise an object's motion under applied forces, and can provide strong priors for planning and control of robotic actions to manipulate the object. However, these parameters are not available a-priori in situations where a robot encounters new objects. In this paper, we describe and categorise the ways that a robot can identify an object's inertial parameters. We also discuss grasping and manipulation methods in which knowledge of inertial parameters is exploited in various ways. We begin with a discussion of literature which investigates how humans estimate the inertial parameters of objects, to provide background and motivation for this area of robotics research. We frame our discussion of the robotics literature in terms of three categories of estimation methods, according to the amount of interaction with the object: purely visual, exploratory, and fixed-object. Each category is analysed and discussed. To demonstrate the usefulness of inertial estimation research, we describe a number of grasping and manipulation applications that make use of the inertial parameters of objects. The aim of the paper is to thoroughly review and categorise existing work in an important, but under-explored, area of robotics research, present its background and applications, and suggest future directions. Note that this paper does not examine methods of identification of the robot's inertial parameters, but rather the identification of inertial parameters of other objects which the robot is tasked with manipulating.

研究动机与目标

• 系统性地对机器人中物体惯性参数估计的现有方法进行分类。
• 分析纯视觉、探索性与固定物体估计技术的优势与局限性。
• 展示惯性参数在提升机器人抓取与操作性能方面所起的关键作用。
• 识别当前研究中的空白，并提出结合数据驱动与模型驱动估计的未来方向。

提出的方法

• 根据机器人-物体交互方式，将惯性参数估计分为三类：纯视觉方法（利用几何信息与先验知识）、探索性方法（通过推挤或倾斜等主动交互）、固定物体方法（通过牢固抓取或固定进行测量）。
• 回顾基于模型的估计技术，利用运动学与动力学方程，从测量到的力、力矩与运动中推断惯性参数。
• 分析数据驱动方法，包括机器学习技术，以提升估计精度，特别是在单次推挤等病态问题场景中。
• 分析深度传感器、力/扭矩传感器与声音反馈等传感模态，及其在惯性参数估计数据采集中的作用。
• 将估计方法映射至具体机器人应用，包括手部操作、料箱分拣与双臂协作。
• 强调将惯性参数集成至控制框架中的方法，如闭环动力学模型与基于扭矩的规划。

实验结果

研究问题

• RQ1 人类如何感知并使用惯性参数？机器人可从中学习到什么？
• RQ2 机器人惯性参数估计的三大主要类别是什么？它们在交互程度与环境适应性方面有何不同？
• RQ3 惯性参数如何提升机器人抓取与操作任务的性能？
• RQ4 当前估计方法的关键局限性是什么，特别是在估计完整三维惯性张量方面？
• RQ5 未来方法如何结合视觉先验、探索性动作与数据驱动学习，以改善惯性估计？

主要发现

• 在已知密度分布的强假设下，纯视觉方法可估计全部惯性参数，因此适用于具备先验物体知识的工业环境。
• 探索性方法可在未知环境中实现自主惯性估计，但通常在缺乏多轴运动时无法准确估计完整的三维惯性张量，从而限制了精度。
• 固定物体方法通过在牢固抓取或固定状态期间使用力/扭矩传感器，实现了高精度估计，因此特别适用于受控的工业环境。
• 惯性参数显著提升了抓取稳定性、重抓取与手部操作的性能，通过实现精确的动力学建模与扭矩预测。
• 诸如料箱分拣、双臂操作与基于推挤的重新定向等应用，其有效执行严重依赖于准确的惯性参数。
• 结合视觉先验与探索性或数据驱动方法，为解决从最少交互中估计三维惯性参数的病态问题提供了有前景的路径。