[论文解读] Grasp Planning for Customized Grippers by Iterative Surface Fitting

Yongxiang Fan, Hsien-Chung Lin+2 more|arXiv (Cornell University)|Mar 30, 2018

Robot Manipulation and Learning参考文献 3被引用 3

一句话总结

本文提出一种迭代曲面拟合（ISF）算法，通过同时优化掌部位姿与手指位移以最小化曲面拟合误差，实现定制夹爪的实时抓取规划。引导采样避免了局部最优解，使得在未分割点云下对复杂、杂乱物体也能实现鲁棒抓取，平均规划时间低于0.1秒。

ABSTRACT

Customized grippers have broad applications in industrial assembly lines. Compared with general parallel grippers, the customized grippers have specifically designed fingers to increase the contact area with the workpieces and improve the grasp robustness. However, grasp planning for customized grippers is challenging due to the object variations, surface contacts and structural constraints of the grippers. In this paper, an iterative surface fitting (ISF) algorithm is proposed to plan grasps for customized grippers. ISF simultaneously searches for optimal gripper transformation and finger displacement by minimizing the surface fitting error. A guided sampling is introduced to avoid ISF getting stuck in local optima and improve the collision avoidance performance. The proposed algorithm is able to consider the structural constraints of the gripper and plan optimal grasps in real-time. The effectiveness of the algorithm is verified by both simulations and experiments. The experimental videos are available at: http://me.berkeley.edu/\%7Eyongxiangfan/CASE2018/caseisf.html

研究动机与目标

• 解决具有大接触表面和结构约束的定制夹爪抓取规划挑战。
• 通过利用夹爪与物体几何形状之间的曲面匹配，提升抓取的鲁棒性与稳定性。
• 即使在复杂物体形状和杂乱环境中，也实现实时抓取规划。
• 克服传统点接触模型的局限性，以及基于曲面的抓取规划中计算量过大的问题。
• 将结构约束（如钳口宽度、自由度）与接触法线对齐整合进抓取规划过程。

提出的方法

• 提出一种迭代掌指优化（IPFO）框架，通过闭式解联合优化掌部位姿与手指位移。
• 基于夹爪与物体表面之间的距离以及接触法线的错位程度，定义曲面拟合误差度量。
• 实施引导采样，以高质量的抓取候选初始化ISF，降低陷入局部最优的风险。
• 使用双目相机获取的未分割三维点云作为输入，结合曲面平滑与法向估计，提升真实场景下的鲁棒性。
• 通过多轮迭代优化，最小化曲面拟合误差，直至收敛。
• 将结构约束（如钳口宽度、自由度）直接嵌入优化过程，确保夹爪构型的可行性。

实验结果

研究问题

• RQ1 如何在考虑大接触表面和结构约束的前提下，使定制夹爪的抓取规划既高效又鲁棒？
• RQ2 结合掌指联合优化的迭代曲面拟合能否在复杂环境中实现实时性能？
• RQ3 引导采样在基于曲面的抓取规划中如何提升收敛性与避碰能力？
• RQ4 该算法在杂乱工业环境中处理未分割、噪声点云的能力达到何种程度？
• RQ5 该方法能否在无需微调的情况下泛化至具有复杂几何形状和不同尺寸的物体？

主要发现

• ISF算法在仿真中实现了每组无碰撞抓取平均64.4毫秒的规划时间，实验验证了其具备实时性能。
• 在仿真中，该算法在九个测试物体上平均每60次采样成功找到36.2次无碰撞抓取。
• 引导采样策略显著提升了收敛性并降低了陷入局部最优的风险，表现为7轮迭代内拟合误差从10毫米稳定降低至1毫米。
• 在FANUC工业机器人上的实验表明，成功执行了对六种不同物体的抓取，包括Doraemon和螺丝刀等复杂形状物体。
• 在存在遮挡和复杂表面组成的重度杂乱环境中，该算法成功识别并执行了序列抓取，即使在未分割点云条件下也表现良好。
• IPFO的7轮迭代中，曲面拟合误差从10毫米降至1毫米，证实了优化过程的有效收敛与良好曲面匹配能力。