[论文解读] Touch-based object localization in cluttered environments

Huy Nguyen, Quang‐Cuong Pham|arXiv (Cornell University)|Sep 27, 2017

Robotics and Sensor-Based Localization参考文献 7被引用 3

一句话总结

该论文提出了一种鲁棒的基于触觉的物体定位方法，通过将RANSAC集成到贝叶斯估计框架中，以处理杂乱环境中的异常测量值。该方法引入了一种快速面选择算法，加速了贝叶斯更新过程，即使在数据噪声较大的情况下也能实现精确且实用的定位，实验中实现了高达6.5倍的加速和亚毫米级的精度。

ABSTRACT

Touch-based object localization is an important component of autonomous robotic systems that are to perform dexterous tasks in real-world environments. When the objects to locate are placed within clutters, this touch-based procedure tends to generate outlier measurements which, in turn, can lead to a significant loss in localization precision. Our first contribution is to address this problem by applying the RANdom SAmple Consensus (RANSAC) method to a Bayesian estimation framework. As RANSAC requires repeatedly applying the (computationally intensive) Bayesian updating step, it is crucial to improve that step in order to achieve practical running times. Our second contribution is therefore a fast method to find the most probable object face that corresponds to a given touch measurement, which yields a significant acceleration of the Bayesian updating step. Experiments show that our overall algorithm provides accurate localization in practical times, even when the measurements are corrupted by outliers.

研究动机与目标

• 解决由于杂乱环境中异常触觉测量导致定位不准确的挑战。
• 提高贝叶斯触觉定位方法对意外接触引起的异常值的鲁棒性。
• 加速迭代估计框架中计算密集型的贝叶斯更新步骤。
• 实现在需要亚毫米级精度的现实机器人操作任务中的实用运行时间。
• 开发一种无需预先了解周围物体的方法，确保在未知杂乱环境中的适用性。

提出的方法

• 将RANSAC集成到贝叶斯估计框架中，通过迭代地假设和验证内点测量集合，拒绝异常值。
• 提出一种快速面选择算法，用于识别与触觉测量最可能对应的物体表面，从而降低似然评估成本。
• 采用基于阈值的面选择方法，利用角度偏差（$\delta_\alpha = 0.09$ rad）在贝叶斯更新前过滤候选表面。
• 使用缩放级数法进行6-DOF位姿估计，结合基于粒子的贝叶斯推理。
• 通过末端执行器接触的正向运动学和触觉传感（位置和法向）生成测量值。
• 使用光线追踪仿真生成包含来自附近物体异常值的逼真触觉测量值。

实验结果

研究问题

• RQ1 RANSAC能否被有效适配到贝叶斯框架中，以提升对异常触觉测量的鲁棒性？
• RQ2 如何降低触觉定位中贝叶斯更新的计算成本？
• RQ3 所提出的面选择方法在不牺牲定位精度的前提下，能在多大程度上提升运行效率？
• RQ4 该方法能否在异常接触频繁发生的杂乱环境中实现高精度定位？
• RQ5 在初始不确定性变化和物体复杂度不同的情况下，该方法表现如何？

主要发现

• 所提方法在平移方向平均定位误差为0.81 mm，旋转方向为0.015 rad，显著优于未进行异常值分类的基线方法（6.64 mm，0.1 rad）。
• 面选择算法使复杂物体（如收银机模型）的平均执行时间最多减少6.5倍。
• 在包含1至5个异常值的15次测量中，该方法在杂乱场景的50次试验中保持了100%的成功率。
• 对于具有更多表面的复杂物体，加速效果最为显著，证明了面选择方法的可扩展性。
• 即使在较大的初始不确定性（位置10 mm，方向0.3 rad）下，该方法仍保持有效，显示出对初始化的鲁棒性。
• 实验结果证实，仅异常测量值就会严重降低性能，验证了异常值分类的必要性。