Grasp Quality Metric

Aussi appelé: grasp quality measure, grasp score
Catégorie: Planning & manipulation › Manipulation
Mots-clés: grasping, grasp-analysis, wrench-space, manipulation, datasets

Score qui indique la qualité d'une saisie, par exemple l'amplitude du torseur perturbateur auquel ses contacts peuvent résister, utilisé pour classer les saisies candidates, guider l'optimisation de saisie et étiqueter les jeux de données de saisie.

Définition

Une métrique de qualité de saisie (grasp quality metric) attribue un score scalaire à une saisie afin de pouvoir comparer les candidates et choisir la meilleure. Les métriques analytiques partent d'un modèle des contacts entre la main et l'objet : leurs positions, les normales à la surface et les coefficients de frottement. La plus utilisée est la métrique epsilon de Ferrari et Canny (1992). Le cône de frottement de chaque contact est approché par un ensemble de forces d'arête, chaque force est convertie en torseur par rapport à un point de référence, généralement le centre de masse de l'objet, et l'enveloppe convexe de ces torseurs primitifs forme l'espace des torseurs de saisie. La qualité epsilon est le rayon de la plus grande boule centrée à l'origine qui tient dans cette enveloppe : l'amplitude maximale de torseur perturbateur à laquelle la saisie peut résister dans toutes les directions lorsque la somme des forces normales de contact est limitée à un. Une variante qui limite séparément la force de chaque contact construit l'enveloppe à partir de la somme de Minkowski des ensembles de torseurs de contact, et une métrique de volume apparentée utilise le volume de l'enveloppe au lieu de la boule.

La métrique epsilon est positive exactement lorsque l'origine se trouve strictement à l'intérieur de l'espace des torseurs de saisie, ce qui est la condition de fermeture en force ; elle étend donc le test binaire de fermeture en force en un score gradué. Elle présente des sensibilités bien connues : les forces et les couples ont des unités différentes, si bien que la valeur dépend de la mise à l'échelle des couples, souvent par un rayon caractéristique de l'objet, et du point de référence choisi, et elle suppose des contacts rigides exacts et un coefficient de frottement connu. D'autres métriques analytiques mesurent des propriétés de la matrice de saisie, comme sa plus petite valeur singulière, ou de la configuration de la main, comme la distance aux butées articulaires ou aux singularités.

Comme les scores analytiques ne prédisent pas toujours les résultats réels, de nombreux systèmes utilisent des métriques empiriques ou apprises. Une saisie peut être notée par son taux de réussite en simulation sous perturbation de la pose, du frottement et de la forme de l'objet, ou par sa robustesse à une telle incertitude, comme dans la lignée de travaux Dex-Net, et des réseaux de neurones peuvent être entraînés à prédire un tel score directement à partir d'images ou de nuages de points. Les grands jeux de données de saisie filtrent ou étiquettent les candidates avec l'une de ces métriques, de sorte que le choix de la métrique détermine ce qu'un planificateur de saisie appris considérera ensuite comme une bonne saisie.

Pourquoi c'est important

La planification de saisie est une recherche, et une recherche a besoin d'un objectif. La métrique de qualité est cet objectif : elle décide quelles saisies un planificateur exécute et quelles saisies un jeu de données compte comme positives. Savoir ce qu'une métrique mesure et ce qu'elle ignore aide à expliquer pourquoi une saisie bien notée à l'analyse peut quand même glisser dans la main réelle.

Applications principales

Classement des candidates dans les planificateurs de saisie analytiques comme GraspIt!
Étiquetage de grands jeux de données de saisie synthétiques
Objectif ou terme de perte dans l'optimisation de saisie
Cibles d'entraînement pour les réseaux appris de qualité de saisie
Comparaison de conceptions de mains robotiques selon les saisies qu'elles permettent
Choix de reprises de saisie pendant la manipulation dans la main

En pratique

Une équipe qui génère un jeu de données de saisies dextres échantillonne des poses de main autour de milliers de maillages d'objets et, pour chaque candidate, trouve les points de contact entre les doigts et la surface. Elle approche le cône de frottement de chaque contact par une pyramide à huit faces pour un coefficient de frottement supposé, calcule la métrique epsilon par rapport au centre de masse de l'objet en divisant les couples par le rayon englobant de l'objet, et écarte les saisies dont le score est proche de zéro. Comme le score analytique suppose des contacts parfaits, elle teste ensuite les saisies restantes dans un simulateur physique en appliquant tour à tour la gravité selon plusieurs directions, et ne garde que les saisies qui tiennent l'objet à chaque test. Le jeu de données enregistre à la fois le score analytique et le résultat simulé, pour que les utilisateurs voient où les deux divergent.

Idées reçues

Un score epsilon élevé garantit une saisie réussie — il suppose des positions de contact exactes, des corps rigides et un frottement connu, et ignore si la main peut réellement appliquer les forces requises
Un score nul signifie que l'objet va tomber — zéro signifie l'absence de fermeture en force, mais une saisie peut quand même tenir un objet contre une charge connue comme la gravité
La valeur epsilon est une propriété physique de la saisie — elle dépend de la mise à l'échelle des couples, du point de référence et de l'approximation du cône de frottement, de sorte que les valeurs ne sont comparables que sous les mêmes conventions
Une métrique de qualité de saisie est la même chose que la fermeture en force — la fermeture en force est une condition binaire ; une métrique de qualité gradue les saisies, et la métrique epsilon est positive exactement pour les saisies en fermeture en force

Qui devrait le savoir

Chercheurs en planification de saisie
Ingénieurs en manipulation dextre
Équipes qui construisent des jeux de données de saisie synthétiques
Concepteurs de mains robotiques

Technologies associées

GraspIt!
Dex-Net
Espace des torseurs de saisie (Grasp Wrench Space)
Qhull
Matrice de saisie (Grasp Matrix)
Simulateurs physiques (Physics Simulators)

Termes associés

Projets associés

LeRobot: HuggingFace ML library for real-world robotics in PyTorch
Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments