[论文解读] Randomized Physics-based Motion Planning for Grasping in Cluttered and Uncertain Environments

Muhayyuddin Gillani, Mark Moll+2 more|arXiv (Cornell University)|Nov 27, 2017

Robotic Path Planning Algorithms参考文献 27被引用 27

一句话总结

本文提出 p-KPIECE，一种基于物理的随机化运动规划算法，通过引入不确定性感知的控制采样、基于信念的树状探索以及动态不确定性传播，增强了 KPIECE 算法，从而在杂乱且存在不确定性的环境中实现鲁棒抓取。通过利用物理引擎（ODE）模拟多体相互作用，p-KPIECE 在碰撞避免路径不存在的复杂环境中，相比任务与运动规划方法以及基于本体论的物理方法，实现了更高的成功率、更快的规划速度和更优的路径质量，尤其在姿态与接触不确定性存在的情况下表现更优。

ABSTRACT

Planning motions to grasp an object in cluttered and uncertain environments is a challenging task, particularly when a collision-free trajectory does not exist and objects obstructing the way are required to be carefully grasped and moved out. This paper takes a different approach and proposes to address this problem by using a randomized physics-based motion planner that permits robot-object and object-object interactions. The main idea is to avoid an explicit high-level reasoning of the task by providing the motion planner with a physics engine to evaluate possible complex multi-body dynamical interactions. The approach is able to solve the problem in complex scenarios, also considering uncertainty in the objects pose and in the contact dynamics. The work enhances the state validity checker, the control sampler and the tree exploration strategy of a kinodynamic motion planner called KPIECE. The enhanced algorithm, called p-KPIECE, has been validated in simulation and with real experiments. The results have been compared with an ontological physics-based motion planner and with task and motion planning approaches, resulting in a significant improvement in terms of planning time, success rate and quality of the solution path.

研究动机与目标

• 解决因物体遮挡导致无碰撞路径存在的杂乱、不确定环境中的抓取挑战。
• 通过支持多体相互作用的直接物理仿真运动规划，减少对高层任务与运动规划的依赖。
• 在物体姿态不确定性与不确定接触动力学存在的情况下，提升规划的鲁棒性与效率。
• 开发一种采样式运动规划算法，将不确定性评估集成至规划数据结构中，以生成更安全、更可靠的轨迹。
• 在仿真与真实世界实验中，对齐最先进任务与运动规划方法及基于物理的规划器，验证所提方法的有效性。

提出的方法

• 提出一种概率控制采样器，用于在物体姿态不确定性下评估采样控制的信念与鲁棒性。
• 通过偏向信念更高、鲁棒性更强的状态进行树扩展，增强 KPIECE 的树状探索策略，提升收敛至安全解的速度。
• 采用不确定性处理策略，利用 ODE 物理引擎将姿态不确定性通过机器人-物体与物体-物体相互作用进行传播。
• 在 KPIECE 框架中扩展了基于信念的有效性检查器，用于在不确定性下评估运动段的安全性与鲁棒性。
• 使用 Open Dynamic Engine (ODE) 作为状态传播器，以在运动规划过程中模拟复杂的动态相互作用。
• 采用基于信念的探索机制，其中探索优先级由运动段鲁棒性的计算结果引导。

实验结果

研究问题

• RQ1 基于物理的运动规划算法，若结合不确定性感知采样与信念传播，是否能在杂乱、不确定环境中超越传统任务与运动规划方法？
• RQ2 将鲁棒性评估集成至规划数据结构中，对成功率与规划效率有何影响？
• RQ3 单个运动查询在无需显式任务级推理的情况下，能在多大程度上推动多个遮挡物体？
• RQ4 物体姿态与接触动力学的不确定性，如何影响运动规划的质量与可靠性？
• RQ5 在信念引导的探索中，鲁棒性置信度（k）与计算效率之间存在何种权衡？

主要发现

• 在杂乱环境中，p-KPIECE 在 10 个与 15 个物体场景中均实现了 100% 的抓取成功率，显著优于任务与运动规划（TP）及其不确定性变体（TPU）。
• 在 40 个物体场景中，p-KPIECE 保持 63% 的成功率，显著优于 TP（63%）与 TPU（63%），并将平均规划时间从 TP 的 229 秒降低至 71.64 秒。
• 在 25 个物体场景中，与性能最佳的任务与运动规划基线（TP）相比，p-KPIECE 将平均规划时间减少了高达 65%。
• p-KPIECE 通过避免不必要的物体位移与掉落，展现出更优的路径质量；而 o-KPIECE 因未建模动态效应，在 70% 的杂乱场景中失败。
• 信念引导的探索机制通过将搜索导向状态空间中更安全、更鲁棒的区域，显著提升了成功率。
• 该方法在不同杂乱程度下均表现出稳定性能，在 30 个物体时达到 90% 的成功率，35 个物体时为 67%，同时保持了可行的规划时间。