[论文解读] Friction Variability in Auto-collected Dataset of Planar Pushing Experiments and Anisotropic Friction.

Daolin Ma, Alberto Rodríguez|arXiv (Cornell University)|Feb 27, 2018

Robot Manipulation and Learning参考文献 15被引用 3

一句话总结

本文通过将观察到的随机性和多模态性归因于材料非均匀性、摩擦各向异性和数据采集动态，研究了平面推压数据集中摩擦的可变性。提出了一种各向异性摩擦模型，相较于各向同性模型，该模型降低了偏差并提高了预测准确性，表明数据采集过程本身可能在学习的摩擦模型中引入系统性误差。

ABSTRACT

Friction plays a key role in manipulating objects. Most of what we do with our hands, and most of what robots do with their grippers, is based on the ability to control frictional forces. This paper aims to better understand the variability and predictability of planar friction. In particular, we focus on the analysis of a recent dataset on planar pushing by [1] devised to create a data-driven footprint of friction. We show in this paper how we can explain a significant fraction of the observed unconventional phenomena, e.g., stochasticity and multi-modality, by combining the effects of material non-homogeneity, anisotropy of friction and biases due to data collection dynamics. We introduce an anisotropic friction model and conduct simulation experiments comparing with more standard isotropic friction models. The anisotropic friction between object and supporting surface results in convergence of initial condition during the automated data collection. Numerical results confirm that the anisotropic friction model explains the bias in the dataset and the apparent stochasticity in the outcome of a push. The fact that the data collection process itself can originate biases in the collected datasets, resulting in deterioration of trained models, calls attention to the data collection dynamics.

研究动机与目标

• 理解平面推压实验中不可预测性的来源，特别是结果中明显的随机性和多模态性。
• 研究材料非均匀性和摩擦各向异性如何导致真实世界数据集中观察到的摩擦可变性。
• 评估数据采集动态是否引入系统性偏差，从而降低数据驱动摩擦学习模型的性能。
• 开发并验证一种各向异性摩擦模型，使其相较于标准各向同性模型能更好地解释数据集的行为。
• 强调在基于真实世界数据训练机器人操作策略时，必须考虑数据采集动态的重要性。

提出的方法

• 构建各向异性摩擦模型以捕捉摩擦力的方向依赖性，包含法向和切向分量，并引入与方向相关的系数。
• 将该模型集成到仿真环境中，以复现自动采集的平面推压数据集的条件。
• 使用所提出的各向异性模型和标准各向同性摩擦模型进行仿真，以实现直接对比。
• 调整仿真的初始条件，以反映真实数据采集过程中观察到的收敛行为。
• 通过统计分析比较两种模型预测结果与实际数据集轨迹之间的偏差和预测准确性。
• 将数据采集动态（如机器人运动模式和接触一致性）建模为数据集中系统性偏差的来源。

实验结果

研究问题

• RQ1 材料非均匀性和摩擦各向异性在多大程度上解释了平面推压结果中的可变性？
• RQ2 数据采集动态在多大程度上导致了数据集中的偏差，特别是初始条件收敛方面？
• RQ3 与各向同性模型相比，各向异性摩擦建模能否减少推压结果中的表观随机性？
• RQ4 各向异性模型在预测真实世界推压轨迹方面的性能与各向同性模型相比如何？
• RQ5 这些由数据引起的偏差对基于数据驱动的机器人操作策略训练有何影响？

主要发现

• 在模拟自动采集的推压数据集时，各向异性摩擦模型相比各向同性模型显著降低了预测误差。
• 该模型成功解释了数据采集过程中观察到的初始条件收敛现象，这与各向同性假设不一致。
• 推压结果中大量表观随机性可归因于未建模的各向异性和材料非均匀性，而非真正的随机性。
• 数据采集过程本身引入了系统性偏差，特别是在初始状态分布方面，可能降低学习模型的性能。
• 仿真结果证实，各向异性模型更准确地捕捉了数据集的行为，尤其是在多模态结果区域。
• 研究结果表明，为确保机器人领域中可靠的数据驱动摩擦建模，必须显式建模或考虑数据采集动态。