Open Source Robotics

高品質なオープンソースロボティクスプロジェクト、ツール、ソフトウェアの厳選コレクション。

Configuration Space Distance Fields for Manipulation Planning

著者: Yiming Li, Xuemin Chi, Amirreza Razmjoo, Sylvain Calinon · RSS 2024

ライセンス

  • オープンアクセス
  • 論文: CC BY 4.0

以下の内容はすべて、論文のライセンス（CC BY 4.0）に従い論文全文に基づいています。図は著者のクレジットを付けて掲載しています。

要約

関節角上に直接距離場を定義することで、全身 IK を 1 ステップの勾配射影にし、7-DoF の Franka においてプランナーが SDF によって生じる局所解を回避できるようにする。

重要な理由

すでに距離関数を入力とするプランナーやコントローラ（QP、iLQR、geometric fabrics）は、SDF の代わりに CDF を使って関節空間で直接動作できる。平面ロボットと Franka では、同じプランナーでも SDF より CDF を用いたほうが成功率が高く、追従誤差が小さかった。

課題

符号付き距離場は通常 3D のタスク空間で定義されるため、マニピュレーションの制御ではまずそこで距離を測り、その後逆運動学を反復的に解いて関節の動きを求める。順運動学は非線形であるため、関節空間から見ると場は単位勾配の性質を失い、勾配ベースのソルバは勾配が消える箇所や特異点で停滞しうる。

提案手法

コンフィギュレーション空間距離場（CDF）は、ロボットのいずれかの部分をある点に接触させるのに必要な最小の関節運動をラジアンで与える。CDF はアイコナール方程式を満たすため、勾配に沿って射影することで最も近い接触コンフィギュレーションに到達できる。接触コンフィギュレーションは、作業空間の各グリッド点についてロボットの SDF モデル上でバッチ化した L-BFGS によりオフラインで求められ、点ごとの場はオンラインで最小値演算により融合される。さらに 5 層の MLP（ニューラル CDF）が、コンパクトでグリッド不要かつ微分可能な版を提供する。

主な知見

  • 関節角上に定義された距離場は単位ノルムの勾配を保つため、接触目標に対する全身 IK は 1 回の射影 q′ = q − f_c ∇f_c に帰着し、Gauss-Newton の反復は不要になる。
  • 場の値は接触するリンクより手前の関節にのみ依存する。接触コンフィギュレーションのサンプルが少ない場合は、リンクごとに最小値をとることで精度が向上する。
  • 点ごとの場は事前に計算しておき、オンラインで最小値（コンフィギュレーション空間における和集合）をとって組み合わせられるため、表現は特定のシーンに依存しない。
  • 場の勾配は関節空間で障害物を回り込むように曲がった経路をたどるため、リアクティブなプランナーがタスク空間の SDF で見られる局所解を避けるのに役立つ。

主な結果

  • Franka での 10,000 個のランダムな初期コンフィギュレーションからの全身 IK（Table II）：2 ステップ射影の CDF は 10.6 ms で 8,773 個の有効解を見つけた。SDF + L-BFGS は 971 ms で 3,652 個、Neural-JSDF + L-BFGS は 272 ms で 264 個であった。本文ではこれを毎秒 700,000 個を超える有効解で、SDF 手法の 180 倍としている。
  • ニューラル CDF の精度：3 回の射影反復後、MAE は 1.39 ± 0.51 cm、射影成功率は 91.1 ± 8.12%（閾値 3 cm）。RTX 3090 での GPU 推論は、バッチサイズ 1 で 0.49 ms、10^5 で 4.61 ms であった。
  • 100 回の実行による Franka の動作計画：IPOPT、QRQP、OSQP、qpOASES、geometric fabrics と組み合わせた CDF の成功率は 88–93% で、SDF では 38–74% であった。iLQR は 48% 対 38%。2-DoF の平面ロボットでは、CDF が 76–95%、SDF が 40–68% であった。
  • シミュレーションでのゴールキーパータスク（100 回の投球）：CDF ではアームが 82% の確率でボールを止め、SDF では 35% であった。
  • 双腕による大きな箱の接触プランニング：CDF + フィルタリングでは計画時間 7.65 s、平均関節距離 1.37 rad で、SDF + Gauss-Newton 最適化では 54.80 s と 2.85 rad であった。
  • ニューラル CDF を用いる QP コントローラは 200 Hz 以上で動作する。ニューラル CDF の学習には RTX 3090 1 枚で約 2 時間かかった。

制限事項

  • この場は符号なしであり、接触コンフィギュレーションのサンプルが少ない場合、接触に近いコンフィギュレーションでは不正確になる。著者らは符号情報を加えることを提案している。
  • 1 台のロボットの形状と運動学から構築されるため、ロボットモデルごとに再計算が必要である。完全なヒューマノイドのような長い運動連鎖へのスケーリングは未解決である。
  • オフライン計算は遅く（接触コンフィギュレーションを見つけるのに 1–10 s）、グリッド版はメモリ効率が悪く、ニューラル版は精度を犠牲にしている。著者らは、ネットワークの学習が十分に最適化されていないと述べている。
  • 距離は角度（関節のユークリッド）距離として測られる。コンフィギュレーション空間の多様体上の測地距離は今後の課題とされている。
  • 実機ロボットでのプランニング実験は成功率なしに定性的に示されているのみであり（Fig. 8）、ゴールキーパータスクはシミュレーションでのみ実施された。

分野への影響

RSS 2024 Outstanding Paper Award のファイナリストであり、被引用数は 48 である。公式プロジェクトページは github.com/yimingli1998/cdf のコードにリンクしている。

概要

符号付き距離場はロボティクスで広く使われる陰的な形状表現であり、物体や障害物に関する幾何情報を、制御、最適化、学習の手法と容易に組み合わせられる形で提供する。SDF は多くの場合タスク空間における距離を表すために使われ、これは私たちが 3D の世界で知覚するなじみ深い距離の概念に対応する。しかし数学的には、SDF はロボットのコンフィギュレーション空間を含む他の空間でも使うことができる。ロボットマニピュレータでは、このコンフィギュレーション空間は通常、ロボットの各関節の関節角に対応する。ロボットのプランニングでは、コンフィギュレーション空間のどの部分が障害物と衝突しないかを表現するのが慣例であるが、この情報をコンフィギュレーション空間における距離場として捉えることはあまり一般的ではない。本論文では、最適化のためにロボットのコンフィギュレーション空間で SDF を考えることの可能性を示し、これをコンフィギュレーション空間距離場と呼ぶ。タスク空間における SDF の利用と同様に、CDF は効率的な関節角距離のクエリと導関数への直接的なアクセスを提供する。ほとんどの手法は全体の計算を、タスク空間での部分とそれに続くコンフィギュレーション空間での部分に分けている。これに対し CDF では、制御、最適化、学習の問題が統一的な方法でこの陰的な構造を活用できる。具体的には、任意のシーンに一般化できる、CDF を計算し融合するための効率的なアルゴリズムを提案する。また、計算効率を高めつつコンパクトで連続的な表現を得るため、多層パーセプトロンを用いた対応するニューラル CDF 表現も示す。平面での障害物回避の例と、7 軸の Franka ロボットにおける逆運動学およびマニピュレーションプランニングのタスクで、CDF の有効性を示す。

リンク

  • arXiv 2406.01137: https://arxiv.org/abs/2406.01137
  • DOI 10.48550/arXiv.2406.01137: https://doi.org/10.48550/arXiv.2406.01137
  • PDF: https://arxiv.org/pdf/2406.01137v1
  • コード: https://github.com/yimingli1998/cdf
  • プロジェクトページ: https://sites.google.com/view/cdfmp/home

このウェブサイトにはJavaScriptが必要です。オープンソースロボティクスプロジェクトを閲覧するにはJavaScriptを有効にしてください。