[论文解读] Experimental Force-Torque Dataset for Robot Learning of Multi-Shape Insertion

Giovanni De Magistris, Asim Munawar+4 more|arXiv (Cornell University)|Jul 18, 2018

Robot Manipulation and Learning参考文献 7被引用 6

一句话总结

本文提出了一项公开的实验性力矩数据集，用于多形状插销插入任务，数据通过配备六维力/扭矩传感器的UR5机器人采集，支持基于学习的控制与形状识别。该数据集在形状识别上达到81.01%的准确率，并仅使用力/扭矩传感器反馈即实现机器人插入任务100%的成功率，证明了瞬态接触动力学在对齐过程中的重要性。

ABSTRACT

The accurate modeling of real-world systems and physical interactions is a common challenge towards the resolution of robotics tasks. Machine learning approaches have demonstrated significant results in the modeling of complex systems (e.g., articulated robot structures, cable stretch, fluid dynamics), or to learn robotics tasks (e.g., grasping, reaching) from raw sensor measurements without explicit programming, using reinforcement learning. However, a common bottleneck in machine learning techniques resides in the availability of suitable data. While many vision-based datasets have been released in the recent years, ones involving physical interactions, of particular interest for the robotic community, have been scarcer. In this paper, we present a public dataset on peg-in-hole insertion tasks containing force-torque and pose information for multiple variations of convex-shaped pegs. We demonstrate how this dataset can be used to train a robot to insert polyhedral pegs into holes using only 6-axis force/torque sensor measurements as inputs, as well as other tasks involving contact such as shape recognition.

研究动机与目标

• 为解决机器人领域中真实物理交互数据集稀缺的问题，特别是针对插销插入等接触密集型任务。
• 使机器学习方法能够仅基于力/扭矩传感器数据学习插入策略与形状识别。
• 提供一个基准数据集，包含受控的插销几何变化（3至200边形）以及精确的姿态/力测量。
• 证明在无需显式编程的情况下，可在真实F/T数据上训练神经网络并直接部署于真实机器人。
• 支持未来在迁移学习、仿真到现实的迁移以及不确定性下的鲁棒插入研究。

提出的方法

• 使用配备Robotiq FT-150传感器的UR5机器人，在受控的插销插入操作中以100 Hz的频率采集力/扭矩与位姿数据。
• 采用具有正n边形面的多面体插销（n = 3, 4, 5, 6, 200），并使用相同形状的孔，通过精确的人工对齐以消除抓取引起的误差。
• 记录11维状态向量：Fx, Fy, Fz, Mx, My, Mz, Px, Py, Pz, Az, t，以及计数器（cont），其中位置与姿态相对于孔进行定义。
• 应用多层感知机（MLP）基于F/T与位姿序列对插入动作进行分类，采用滑动窗口输入，参数设置为d=50ms, l=200ms, u=1000ms。
• 分别对瞬态阶段与稳态阶段进行模型训练，以分析哪类动力学包含任务成功的关键信息。
• 在真实UR5机器人上验证所学策略，基于预测动作生成力/运动指令，实现100%的成功率。

实验结果

研究问题

• RQ1 仅依靠力/扭矩传感器数据，能否在无视觉或显式编程的情况下成功学习多形状插销插入？
• RQ2 接触交互的哪个阶段——瞬态或稳态——包含对对齐与插入最具有信息量的信号？
• RQ3 插销的几何形状（边数）如何影响接触动力学的可检测性与任务性能？
• RQ4 仅使用F/T反馈时，所学策略在不同插销形状之间具有多大程度的泛化能力？
• RQ5 同一数据集能否用于基于接触动力学的形状识别模型训练？

主要发现

• 使用MLP基于F/T数据进行形状识别，数据集达到81.01%的准确率，且准确率随插销边数增加而提升。
• 对于T1任务（对齐），最佳准确率为72.47%，使用稳态接触阶段数据并采用1000ms窗口时达到。
• 对于T2任务（对齐），最佳准确率为61.39%，仅使用瞬态阶段数据并采用50ms步长与200ms窗口时达到。
• 瞬态阶段包含T2任务的关键信息，而稳态阶段对T1任务更具信息量，表明动力学的重要性具有任务依赖性。
• 仅使用Fx, Fy, Mx, My作为输入时，T1任务达到最高准确率（70.57%），表明Fz与Mz对决策贡献较小。
• 所学策略在真实机器人插入实验中实现100%成功率，平均仅需7.5次动作，起始偏移2mm，且仅依赖F/T反馈。