[论文解读] Manipulation Trajectory Optimization with Online Grasp Synthesis and Selection

Wang Li-rui, Xiang Yu+1 more|arXiv (Cornell University)|Nov 22, 2019

Robot Manipulation and Learning参考文献 39被引用 5

一句话总结

该论文提出了一种基于优化的运动与抓握规划器（OMG Planner），通过支持在线抓握生成与选择，在杂乱环境中联合优化轨迹与抓握策略。通过结合CHOMP的迭代轨迹优化与基于概率的抓握选择方法，该方法无需预计算抓握，即可提升规划成功率与鲁棒性，在评估中实现了93%的规划成功率与84%的执行成功率。

ABSTRACT

In robot manipulation, planning the motion of a robot manipulator to grasp an object is a fundamental problem. A manipulation planner needs to generate a trajectory of the manipulator arm to avoid obstacles in the environment and plan an end-effector pose for grasping. While trajectory planning and grasp planning are often tackled separately, how to efficiently integrate the two planning problems remains a challenge. In this work, we present a novel method for joint motion and grasp planning. Our method integrates manipulation trajectory optimization with online grasp synthesis and selection, where we apply online learning techniques to select goal configurations for grasping, and introduce a new grasp synthesis algorithm to generate grasps online. We evaluate our planning approach and demonstrate that our method generates robust and efficient motion plans for grasping in cluttered scenes. Our video can be found at https://www.youtube.com/watch?v=LIcACf8YkGU .

研究动机与目标

• 解决在杂乱机器人操作任务中高效集成运动规划与抓握规划的挑战。
• 克服传统方法中固定离线抓握集合与基于启发式的抓握选择方法的局限性。
• 开发一种在轨迹优化过程中动态选择并优化抓握的规划器，以提升鲁棒性与效率。
• 实现对任意物体形状的在线抓握生成，无需依赖预计算的抓握候选。
• 通过联合优化运动与抓握规划，在复杂杂乱场景中展示性能提升。

提出的方法

• OMG Planner 将联合运动与抓握规划建模为优化问题，通过 CHOMP 与目标集约束迭代更新轨迹与抓握。
• 使用基于学习的方法在线估计并更新抓握集合的概率分布，实现在规划过程中动态选择最优抓握。
• C-Space ISF 算法通过在配置空间中迭代拟合机器人夹爪与物体表面，实现在线抓握生成。
• 抓握选择被建模为在线学习问题，算法通过当前轨迹与抓握可行性之间的相互作用进行学习，以优化目标选择。
• 该方法整合了现有的抓握规划算法（如 GraspIt、模拟抓握）作为初始抓握集合，并在运行时进行增强与优化。
• 该框架支持任意轨迹优化器，并设计为可与 CHOMP 以外的多种运动规划方法兼容。

实验结果

研究问题

• RQ1 与固定抓握集合相比，在线抓握选择与生成是否能提升杂乱场景中操作规划的成功率与鲁棒性？
• RQ2 在轨迹优化过程中集成抓握生成，对规划效率与轨迹质量有何影响？
• RQ3 从低质量或次优抓握候选开始时，在线抓握优化在多大程度上提升了抓握质量与执行成功率？
• RQ4 关键设计参数（如离散化密度 n 与平滑权重 λ）对规划器性能有何影响？
• RQ5 所提出方法是否能在规划与执行成功率上超越依赖启发式抓握排序或缺乏在线优化的基线方法？

主要发现

• OMG Planner 在 100 个场景（每场景 30 个抓握）中实现了 93% 的规划成功率与 84% 的执行成功率，优于 CHOMP、FMT 与 RRT-Connect。
• 该方法将平均轨迹碰撞成本从 4.78（CHOMP）降低至 3.92，并将平滑度从 19.12 提升至 15.43，表明轨迹质量更优。
• 通过 C-Space ISF 进行抓握优化，将抓握成本从 3.43 降低至 3.04，并提升了成功率，尤其在初始为高质量模拟抓握时效果更显著。
• 消融实验表明，增加离散化程度（n）可提升平滑度与规划成功率，而 λ ≈ 0.1 在平滑度与碰撞规避之间提供了最佳平衡。
• 在线抓握选择与生成的集成显著优于依赖启发式抓握排序或固定抓握集合的基线方法。
• 即使初始抓握集合质量较差，该方法仍表现出稳健性能，凸显了在线优化与选择的有效性。