[论文解读] Maximally manipulable vision-based motion planning for robotic rough-cutting on arbitrarily shaped surfaces

Tommaso Pardi, Valerio Ortenzi+4 more|arXiv (Cornell University)|Sep 12, 2019

Robotic Path Planning Algorithms参考文献 30被引用 4

一句话总结

该论文提出RRT*-RMM，一种基于视觉的运动规划方法，能够从噪声点云中在任意曲面上生成机器人轨迹，最大化操作灵活性的同时最小化路径长度。通过将RRT*的采样点投影到黎曼流形上，并修改代价函数以优先考虑操作灵活性，该方法可避免奇异性，实现在机器人粗切应用中的顺应性任务执行。

ABSTRACT

This paper presents a method for constrained motion planning from vision, which enables a robot to move its end-effector over an observed surface, given start and destination points. The robot has no prior knowledge of the surface shape, but observes it from a noisy point-cloud camera. We consider the multi-objective optimisation problem of finding robot trajectories which maximise the robot's manipulability throughout the motion, while also minimising surface-distance travelled between the two points. This work has application in industrial problems of extit{rough} robotic cutting, extit{e.g.} demolition of legacy nuclear plant, where the cut path need not be precise as long as it achieves dismantling. We show how detours in the cut path can be leveraged, to increase the manipulability of the robot at all points along the path. This helps avoid singularities, while maximising the robot's capability to make small deviations during task execution, extit{e.g.} compliantly responding to cutting forces via impedance control. We show how a sampling-based planner can be projected onto the Riemannian manifold of a curved surface, and extended to include a term which maximises manipulability. We present the results of empirical experiments, with both simulated and real robots, which are tasked with moving over a variety of different surface shapes. Our planner enables successful task completion, while avoiding singularities and ensuring significantly greater manipulability when compared against a conventional RRT* planner.

研究动机与目标

• 解决在老旧核设施等危险环境中，对未知、任意形状曲面进行机器人粗切任务的运动规划挑战。
• 克服标准RRT*在曲面约束末端执行器运动时处理操作灵活性和奇异性规避的局限性。
• 使机器人在整个路径上保持高操作灵活性，以支持在材料属性不确定情况下的顺应性力控制。
• 开发一种可直接从噪声点云运行的方法，无需完整3D模型，从而提升在非结构化环境中的实际适用性。
• 在路径长度增加与操作灵活性显著提升之间取得平衡，以提高在高力负载切割操作中的鲁棒性和任务成功率。

提出的方法

• 通过从点云中推导出的映射，将欧氏空间中的随机采样点投影到所观测曲面的黎曼流形上，实现在无需完整3D模型的情况下对曲面进行运动规划。
• 通过在RRT*代价函数中增加操作灵活性指数项，优先选择在整个路径上保持高机器人操作灵活性的轨迹。
• 使用结合欧氏距离到目标点和操作灵活性的混合代价函数，以引导采样和路径优化。
• 利用机器人的运动学模型计算每个构型下的操作灵活性，确保路径生成过程中避免奇异性。
• 与RGB-D传感器集成，实现实时表面观测和环境变化下的动态路径重规划。
• 在仿真环境（V-REP）和真实机器人（Panda和Sawyer）上实现该算法，以在多种物体几何形状下验证性能。

实验结果

研究问题

• RQ1 基于采样的运动规划器能否有效从噪声点云中生成在未知、任意曲面上的轨迹，同时最大化机器人操作灵活性？
• RQ2 在曲面上末端执行器运动过程中，将操作灵活性纳入RRT*代价函数在多大程度上降低了机器人奇异性风险？
• RQ3 在高力负载的机器人切割应用中，路径长度与操作灵活性之间的权衡如何影响任务鲁棒性？
• RQ4 所提出的方法在操作灵活性方面是否优于标准RRT*，同时保持适用于实际机器人操作的可行路径长度？
• RQ5 该方法在包括平面、曲面和复杂形状在内的多种表面几何形状上是否具备可扩展性和有效性？

主要发现

• 与标准RRT*相比，RRT*-RMM在所有测试路径上的操作灵活性显著提升，箱线图分析显示在四种物体类型中均观察到中位数增加。
• 该方法降低了操作灵活性的方差，表明机器人在生成轨迹上的性能更加一致且可预测。
• 路径长度在圆桶、曲面和安全帽物体上增加了约10%，在平面物体上最多增加了50%，反映了为获得更高操作灵活性所付出的代价。
• 该规划器成功避免了在平面物体上的机器人奇异性——而标准RRT*因操作灵活性过低而失败——证明了在复杂构型下具有更高的鲁棒性。
• 在仿真（Sawyer）和真实（Panda）机器人上的实证结果均证实了任务成功，验证了该方法在真实世界机器人粗切场景中的有效性。
• 该算法通过保持高操作灵活性，实现了顺应性任务执行，从而在强力切割交互过程中支持有效的阻抗控制。