[论文解读] Grasping for a Purpose: Using Task Goals for Efficient Manipulation Planning

Ana C. Huamán Quispe, Heni Ben Amor+2 more|arXiv (Cornell University)|Mar 14, 2016

Robot Manipulation and Learning参考文献 20被引用 5

一句话总结

本文提出了一种目标驱动的抓取规划框架，利用任务约束和基于可操作性的启发式方法，优先选择抓取策略，以实现对未知物体的高效操作。通过从单张深度图像中提取超二次曲面形状表示，并在目标位姿下评估抓取可操作性，该方法在模拟环境和真实世界中带有环境约束的抓取与放置任务中，均显著减少了规划时间并提高了成功率。

ABSTRACT

In this paper we propose an approach for efficient grasp selection for manipulation tasks of unknown objects. Even for simple tasks such as pick-and-place, a unique solution is rare to occur. Rather, multiple candidate grasps must be considered and (potentially) tested till a successful, kinematically feasible path is found. To make this process efficient, the grasps should be ordered such that those more likely to succeed are tested first. We propose to use grasp manipulability as a metric to prioritize grasps. We present results of simulation experiments which demonstrate the usefulness of our metric. Additionally, we present experiments with our physical robot performing simple manipulation tasks with a small set of different household objects.

研究动机与目标

• 为解决传统抓取规划方法将抓取选择与任务规划视为独立过程所导致的低效问题，避免因选择不稳定或非功能性抓取而反复失败。
• 实现在无先前3D模型或预计算抓取数据库的情况下，对未见过的物体实现快速、在线操作规划。
• 将未来任务约束整合到抓取生成过程中，确保所选抓取能够支持后续子任务的成功执行。
• 通过在目标位姿下测量的可操作性（即末端执行器舒适度）对抓取进行优先排序，从而提高规划效率。
• 在模拟环境和物理机器人上，针对无约束和有约束的目标环境，验证该方法的有效性。

提出的方法

• 利用从单张深度图像中提取的超二次曲面表示未知物体，实现紧凑且高效的形状建模。
• 采用基于基元的方法生成大量候选抓取，抓取方向在物体表面以固定间隔采样。
• 在目标位姿（${}^wT_g$）下评估可操作性度量（$m_g$），优先选择能带来稳定且舒适的末端执行器姿态的配置。
• 将抓取优先排序集成到运动规划流水线中，采用IK-BiRRT规划器，抓取顺序影响搜索效率。
• 采用基于末端舒适度效应的启发式方法，即在目标位姿下可操作性越高，规划时间越短，成功率越高。
• 将该框架应用于模拟和真实机器人实验，包括目标位置存在空间约束的场景。

实验结果

研究问题

• RQ1 任务约束能否有效用于引导未知物体的抓取生成，并提升规划效率？
• RQ2 在目标位姿（${}^wT_g$）下评估抓取可操作性，是否比在起始位姿（${}^wT_s$）或平均值下评估能带来更好的规划性能？
• RQ3 与基线抓取选择策略相比，该方法在成功率、路径长度和规划时间方面表现如何？
• RQ4 系统是否能仅依靠单张深度图像，在存在物理约束的真实世界环境中成功执行操作任务？
• RQ5 超二次曲面表示在多大程度上能够实现对家用物体的精确且高效的抓取规划？

主要发现

• 在模拟实验中，在目标位姿（${}^wT_g$）下评估抓取可操作性（$m_g$）的策略在首次尝试中取得了最高的成功率（35次尝试中成功33次），优于在起始位姿（${}^wT_s$）和平均可操作性度量的策略。
• 当使用${}^wT_g$处的$m_g$时，平均路径长度为92.92步，每次任务的规划时间为2.29秒，表明搜索效率高。
• 在包含旋转变化的实验中，${}^wT_g$处的$m_g$在278次尝试中成功275次，平均规划时间为4.49秒，表明在复杂条件下仍具鲁棒性。
• 在物理机器人上，系统仅依靠单张深度图像，成功完成了对新型家用物体的抓取与放置任务，动态调整了抓取方向和手部形状。
• 该方法减少了对预计算抓取数据库的依赖，实现了实时规划（每次任务2–5秒），证明了其在新环境中在线操作的可行性。
• 在受限环境中（如将物体放入盒子或放置在远处的置物架上），机器人仅在必要时选择顶部抓取，表明空间约束被有效整合到抓取选择过程中。