[论文解读] Real-time policy generation and its application to robot grasping

Masoud Baghbahari, Aman Behal|arXiv (Cornell University)|Aug 15, 2018

Robotic Path Planning Algorithms参考文献 7被引用 3

一句话总结

本文提出了一种用于机器人的实时抓取策略，该策略利用触觉反馈和实时动态建模，在操作过程中保持与物体的接触，从而无需进行大量预训练。通过将物体约束表面整合到系统动力学中，并利用即时传感器数据，该方法实现了快速、自适应的抓取决策，并在仿真和实际试验中证明了其有效性。

ABSTRACT

Real time applications such as robotic require real time actions based on the immediate available data. Machine learning and artificial intelligence rely on high volume of training informative data set to propose a comprehensive and useful model for later real time action. Our goal in this paper is to provide a solution for robot grasping as a real time application without the time and memory consuming pertaining phase. Grasping as one of the most important ability of human being is defined as a suitable configuration which depends on the perceived information from the object. For human being, the best results obtain when one incorporates the vision data such as the extracted edges and shape from the object into grasping task. Nevertheless, in robotics, vision will not suite for every situation. Another possibility to grasping is using the object shape information from its vicinity. Based on these Haptic information, similar to human being, one can propose different approaches to grasping which are called grasping policies. In this work, we are trying to introduce a real time policy which aims at keeping contact with the object during movement and alignment on it. First we state problem by system dynamic equation incorporated by the object constraint surface into dynamic equation. In next step, the suggested policy to accomplish the task in real time based on the available sensor information will be presented. The effectiveness of proposed approach will be evaluated by demonstration results.

研究动机与目标

• 开发一种无需耗时预训练阶段的实时抓取策略。
• 使机器人仅依赖即时触觉和接近传感器数据进行抓取，避免依赖视觉或大规模数据集。
• 通过动态系统建模，在移动和对齐过程中保持与物体的连续接触。
• 解决在不确定性及有限计算资源条件下，机器人抓取中的实时决策挑战。

提出的方法

• 该方法使用包含物体约束表面作为物理边界的动态系统模型来描述机器人-物体相互作用。
• 利用实时传感器数据——特别是触觉和接近反馈——来估计物体的形状和表面几何特征。
• 通过求解一个约束优化问题在线生成控制策略，以确保运动过程中的接触保持。
• 该策略基于系统的动态方程推导，并根据实时传感器输入迭代更新。
• 该方法避免使用基于学习或数据密集型的方法，转而依赖接触动力学的解析建模。
• 该算法专为低延迟执行设计，可在标准机器人平台上实现实时运行。

实验结果

研究问题

• RQ1 机器人如何在不依赖预训练模型或大规模数据集的情况下实现实时抓取策略生成？
• RQ2 何种动态建模方法能够仅使用触觉和接近反馈，在操作过程中实现与物体的连续接触？
• RQ3 在物体几何不确定性及传感器测量噪声下，如何实现实时控制？
• RQ4 何种控制策略可确保在物体接近和操作过程中的稳定对齐与接触保持？
• RQ5 无视觉、无学习的策略是否能在真实场景中实现可靠的抓取性能？

主要发现

• 所提出的策略实现了计算开销极小的实时抓取决策，适用于嵌入式机器人系统。
• 仿真和实验结果均证实，物体接触在整个运动轨迹中得以保持。
• 该方法仅使用触觉和接近传感器数据即可实现与物体表面的稳定对齐，无需视觉输入。
• 该方法对传感器噪声和物体几何不确定性表现出强鲁棒性。
• 由于无需预训练或学习阶段，显著降低了设置时间和资源消耗。
• 在仿真和真实机器人实验中均表现出有效性，显示出实际可行性。