[论文解读] Robust Physics-Based Manipulation by Interleaving Open and Closed-Loop Execution

Wisdom C. Agboh, Mehmet R. Doğar|arXiv (Cornell University)|May 18, 2021

Reinforcement Learning in Robotics参考文献 34被引用 4

一句话总结

本文提出了一种混合规划与控制框架，通过在不确定条件下的物理基操作中交错使用鲁棒的开环执行与模型预测控制，实现高效控制。通过收缩理论推导出鲁棒性度量，该方法将轨迹划分为鲁棒（开环）与非鲁棒（闭环）部分，实现在真实世界中比开环基线方法高出35%的成功率，同时比全闭环控制快40%，且在实时性能下达到与闭环控制相当的成功率。

ABSTRACT

We present a planning and control framework for physics-based manipulation under uncertainty. The key idea is to interleave robust open-loop execution with closed-loop control. We derive robustness metrics through contraction theory. We use these metrics to plan trajectories that are robust to both state uncertainty and model inaccuracies. However, fully robust trajectories are extremely difficult to find or may not exist for many multi-contact manipulation problems. We separate a trajectory into robust and non-robust segments through a minimum cost path search on a robustness graph. Robust segments are executed open-loop and non-robust segments are executed with model-predictive control. We conduct experiments on a real robotic system for reaching in clutter. Our results suggest that the open and closed-loop approach results in up to 35% more real-world success compared to open-loop baselines and a 40% reduction in execution time compared to model-predictive control. We show for the first time that partially open-loop manipulation plans generated with our approach reach similar success rates to model-predictive control, while achieving a more fluent/real-time execution. A video showing real-robot executions can be found at https://youtu.be/rPOPCwHfV4g.

研究动机与目标

• 解决在状态不确定性和模型不准确情况下的物理基机器人操作中实现高成功率的挑战。
• 通过最小化执行过程中对计算成本高昂的重规划的依赖，实现实时、流畅的执行。
• 自主识别并分离出适合开环执行的鲁棒段与需要反馈控制的非鲁棒段。
• 开发一种鲁棒性度量，量化对状态不确定性和模型不准确性的抗性。
• 证明部分开环规划可在显著更快的速度下实现与全闭环控制相当的成功率。

提出的方法

• 利用收缩理论推导鲁棒性度量，量化轨迹规划中对状态不确定性和模型不准确性的抗性。
• 构建鲁棒性图，其中节点代表时间点，边代表它们之间的鲁棒或非鲁棒转换。
• 在鲁棒性图上执行最小成本路径搜索，将轨迹分割为鲁棒（开环）与非鲁棒（闭环）段。
• 对鲁棒段执行开环控制以实现流畅性与实时性能，同时对非鲁棒段应用模型预测控制以实现反馈校正。
• 使用推导出的鲁棒性度量进行轨迹优化，生成对不确定性具有内在鲁棒性的规划。
• 采用引导动作与稳定接触运动作为关键策略，以减少状态不确定性并提升鲁棒性。

实验结果

研究问题

• RQ1 结合开环与闭环执行的混合控制策略，是否能在不确定的物理基操作中实现比纯开环方法更高的成功率？
• RQ2 此类混合策略是否能在保持相近成功率的同时，实现比全闭环控制更快的执行速度？
• RQ3 如何对状态不确定性与模型不准确性进行定量测量，并将其整合到轨迹规划中？
• RQ4 哪些运动策略（如引导、稳定推压）在多接触操作中对鲁棒性贡献最大？
• RQ5 在真实世界的物理基操作任务中，部分开环规划是否能与全闭环控制达到相同的成功率？

主要发现

• 交错式开环与闭环方法在杂乱环境下的抓取任务中，相比开环基线方法，实测成功率最高提升了35%。
• 与全模型预测控制相比，执行时间减少了40%，同时保持了相近的成功率。
• 使用该方法生成的部分开环规划与全闭环控制的成功率相当，证明了无需持续重规划即可实现鲁棒性。
• 引导动作（如将物体推至墙边以减少不确定性）在实验中被识别为提升鲁棒性的关键策略。
• 鲁棒性图分割方法成功识别出适合开环执行的段落，尤其适用于自由空间运动与引导动作。
• 该框架展现出对不同任务难度的适应能力，可根据需要在全开环、全闭环或混合执行模式间切换。