[论文解读] Initial Experiments on Learning-Based Randomized Bin-Picking Allowing Finger Contact with Neighboring Objects

Kensuke Harada, Weiwei Wan+4 more|arXiv (Cornell University)|Jul 11, 2016

Robot Manipulation and Learning参考文献 10被引用 3

一句话总结

该论文提出了一种基于学习的随机化抓取方法，通过在周围物体的视觉点云数据上训练判别器来预测抓取成功率，从而允许手指与邻近物体发生接触。利用线性SVM和随机森林分类器，该方法通过利用学习到的接触构型，显著提高了成功率——在拒绝预测失败的情况下，成功率最高可达100%，相较于传统的无碰撞方法更具鲁棒性。

ABSTRACT

This paper proposes a novel method for randomized bin-picking based on learning. When a two-fingered gripper tries to pick an object from the pile, a finger often contacts a neighboring object. Even if a finger contacts a neighboring object, the target object will be successfully picked depending on the configuration of neighboring objects. In our proposed method, we use the visual information on neighboring objects to train the discriminator. Corresponding to a grasping posture of an object, the discriminator predicts whether or not the pick will be successful even if a finger contacts a neighboring object. We examine two learning algorithms, the linear support vector machine (SVM) and the random forest (RF) approaches. By using both methods, we demonstrate that the picking success rate is significantly higher than with conventional methods without learning.

研究动机与目标

• 提高在杂乱环境中随机抓取的抓取成功率，此时手指与邻近物体的接触不可避免。
• 解决传统方法的局限性，即要求抓取姿态无碰撞，但往往难以找到可行解。
• 开发一种基于学习的判别器，根据邻近物体的视觉特征和接触构型预测抓取成功率。
• 评估不同学习算法（线性SVM和随机森林）在接触条件下预测抓取成功性的有效性。
• 通过减少对精确工件供料或人工排列的依赖，实现在工业环境中实用且鲁棒的抓取。

提出的方法

• 采用两指机器人夹爪对随机堆叠的物体执行随机化抓取，允许在接近过程中手指与邻近物体接触。
• 捕获物体堆的视觉点云数据，并从中提取表示邻近物体空间分布的特征。
• 使用线性SVM或随机森林训练判别器，以分类判断即使手指接触邻近物体，抓取是否成功。
• 判别器使用从点云分布中提取的高维特征向量，以建模复杂的接触构型。
• 通过逆运动学和碰撞检测生成并筛选抓取构型，利用判别器对可行且可能成功的姿态进行预筛选。
• 系统从候选构型数据库中选择抓取姿态，优先选择被训练后的判别器预测为成功的姿态。

实验结果

研究问题

• RQ1 基于学习的判别器是否能在抓取过程中发生手指与邻近物体接触的情况下，仍能预测出成功的抓取？
• RQ2 在线性SVM和随机森林等不同学习算法中，哪一种在接触条件下对抓取成功率的预测表现更优？
• RQ3 使用高维特征向量是否能提高在杂乱环境中抓取成功率预测的准确性？
• RQ4 与传统无碰撞规划方法相比，所提方法在多大程度上提升了抓取成功率？
• RQ5 通过拒绝预测为失败的案例，即使导致尝试频率降低，系统是否仍能实现更高的可靠性？

主要发现

• 在拒绝预测失败案例的情况下，基于随机森林的判别器实现了92.9%的成功率，显著优于传统方法。
• 当仅尝试预测为成功的案例时，基于线性SVM的判别器实现了100%的成功率，表明其在过滤失败案例方面具有极高的可靠性。
• 随机森林方法优于线性SVM，识别出78.0%的试验为成功，而SVM仅识别出66.0%，表明其在高维特征下具有更好的泛化能力。
• 在50次试验中，使用随机森林有42次成功，其中39次被正确预测为成功，显示出强大的预测准确性。
• 实验快照和扫掠体积分析证实，即使手指接触邻近物体，系统仍能成功完成抓取。
• 该方法减少了对启发式规则的依赖，并为未来扩展至多指机械手展示了可行性。