[论文解读] Hypothesis-based Belief Planning for Dexterous Grasping

Claudio Zito, Valerio Ortenzi+4 more|arXiv (Cornell University)|Mar 13, 2019

Robot Manipulation and Learning参考文献 27被引用 13

一句话总结

本文提出 IR3ne，一种基于假设的信念规划框架，用于在6D非高斯位姿不确定性下实现灵巧抓取。通过将触觉信息增益整合到基于点云物体模型的灵巧抓取轨迹中，该规划器同时减少了不确定性并执行了抓取操作，而无需预先定义网格模型或抓取位姿，相较于基线方法，首次尝试成功率最高提升了50%。

ABSTRACT

Belief space planning is a viable alternative to formalise partially observable control problems and, in the recent years, its application to robot manipulation problems has grown. However, this planning approach was tried successfully only on simplified control problems. In this paper, we apply belief space planning to the problem of planning dexterous reach-to-grasp trajectories under object pose uncertainty. In our framework, the robot perceives the object to be grasped on-the-fly as a point cloud and compute a full 6D, non-Gaussian distribution over the object's pose (our belief space). The system has no limitations on the geometry of the object, i.e., non-convex objects can be represented, nor assumes that the point cloud is a complete representation of the object. A plan in the belief space is then created to reach and grasp the object, such that the information value of expected contacts along the trajectory is maximised to compensate for the pose uncertainty. If an unexpected contact occurs when performing the action, such information is used to refine the pose distribution and triggers a re-planning. Experimental results show that our planner (IR3ne) improves grasp reliability and compensates for the pose uncertainty such that it doubles the proportion of grasps that succeed on a first attempt.

研究动机与目标

• 解决在真实场景中高维、非高斯6D位姿不确定性下的灵巧抓取挑战。
• 消除对新型物体预计算抓取位姿或网格模型的需求。
• 通过信念空间中的主动触觉规划，实现在信息获取与抓取过程中的并行执行。
• 在点云观测不完整或模糊的情况下提升抓取的可靠性。
• 开发一种可扩展的非参数化信念表示，支持高效规划与重规划。

提出的方法

• 规划器采用基于假设的方法，将高维信念状态投影到固定维度的采样位姿假设集合上。
• 在点云物体模型（PCOMs）上定义触觉观测模型，实现基于接触的信念更新，且无需假设物体为凸形。
• 规划器在抓取轨迹上最大化期望信息增益，将信息价值直接嵌入物理空间。
• 使用基于点云的邻近性检测执行非凸物体的碰撞检测，实现精确的接触预测。
• 在遭遇意外接触时执行顺序重规划，实时更新信念状态并调整轨迹。
• 该方法避免了高斯假设，且无需用户定义置信度阈值以实现从探索到执行的过渡。

实验结果

研究问题

• RQ1 信念空间规划能否在高维、非高斯6D位姿不确定性下有效扩展至灵巧操作场景？
• RQ2 在不预计算抓取位姿的前提下，如何在抓取运动过程中主动最大化触觉信息增益？
• RQ3 规划器在不依赖网格模型或凸性假设的情况下，能在多大程度上实现高抓取成功率？
• RQ4 基于意外接触的顺序重规划在真实场景中如何提升抓取可靠性？
• RQ5 非参数化信念表示能否在观测不完整或存在噪声的情况下，同时保持准确性并支持高效规划？

主要发现

• IR3ne 在首次尝试中成功抓取的比例相比不进行信念状态推理的规划器最高提升了50%。
• 系统成功抓取了点云不完整或具有误导性的物体——例如，手柄不可见的对称水壶——且无需事先知晓物体的真实位姿。
• 通过将信息增益直接嵌入轨迹，减少了对多次重规划迭代的需求，在50%的情况下实现了单次尝试即收敛。
• 即使在均值漂移位姿估计算法的朝向估计误差高达180度时，该方法在可靠性方面仍优于基线方法。
• 意外接触被有效用作信念更新的触发信号，实现了鲁棒适应，且无需对物体运动进行预测模型。
• 该框架证明了主动触觉规划可同时减少不确定性并执行抓取，消除了对独立探索与执行阶段的需求。