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。

kPAM 2.0: Feedback Control for Category-Level Robotic Manipulation

著者: Wei Gao, Russ Tedrake · ICRA 2021

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

向き付きの 3D キーポイントを閉ループコントローラーの状態と行動とすることで、1 つの方策が形状の変動をまたいで 0.2 mm のペグ挿入、LEGO、USB、拭き取りをこなす。

重要な理由

状態と行動が物体のタスクに関係する部分だけを参照するため、同じコントローラーがインスタンスごとの調整なしに、物体インスタンス、把持姿勢、初期配置をまたいで機能する。枠組みが固定するのはインターフェースだけなので、他の知覚モジュールや、モデルベースまたは学習によるエージェントを組み込める。

課題

閉ループのマニピュレーションパイプラインは通常、リアルタイムの 6-DOF 姿勢推定器の上にフィードバックを構築するが、固定された幾何テンプレート上で定義された姿勢では、カテゴリ内の大きな形状変動を捉えられない。元の kPAM キーポイント手法はカテゴリレベルのピックアンドプレースを扱えるが、物体に任意の剛体変換を適用できると仮定しており、これはペグ挿入のような接触の多いタスクでは成り立たない。

提案手法

キーポイントに局所的な向きの座標系を与え、ロボットの行動を向き付きキーポイントの目標並進/角速度または力/トルクとして表し、キーポイントのヤコビ行列を通じて関節指令に写像する。力/トルクの計測値は仮想センサーとしてキーポイントへ変換され、入力と出力は新しい配置へリターゲットするために公称座標系で表し直される。さらに、向き付きキーポイントによって簡略化された kPAM のピックアンドプレースのステップが、物体を開始配置へと運ぶ。

主な知見

  • 局所的でタスク固有の向き付きキーポイントは、ロボットが握る取っ手のような無関係な幾何形状を無視する。これがカテゴリレベルの汎化を可能にしている。
  • 物体が剛体でしっかり保持されていればロボットの一部として扱えるため、標準的な関節空間コントローラーでキーポイントの速度指令や力指令を関節に写像できる。
  • 手首の力/トルクの計測値をキーポイント座標系へ変換すると、物体の幾何形状や把持姿勢に依存しなくなる。
  • 80 cm の距離での約 5 mm の視覚的キーポイント誤差は 0.2 mm のクリアランスをはるかに上回るため、キーポイントと力/トルクによる閉ループ補正が必要であり、開ループの再生は失敗する。
  • kPAM のキーポイントに向きを加えることで、多くの場合、ピックアンドプレースの目標についてコスト/制約の最適化を解く必要がなくなる。

主な結果

  • 失敗率（本手法対開ループのベースライン）：ホワイトボード拭き取り 1/25（4%）対 16/20（80%）。クリアランス 0.2 mm の 3D プリントのペグ挿入 12/45（26%）対 19/20（95%）。
  • LEGO ブロック 2/25（8%）対 7/20（35%）。USB ポート 9/20（45%）対 20/20（100%）。
  • 6-DOF 姿勢のベースライン（キーポイントによる初期化とテンプレートへの ICP）は、拭き取りで 10/25（40%）、プリントしたペグ挿入で 25/45（55%）、LEGO で 9/25（36%）、USB で 17/20（85%）失敗し、一部の試行では安全停止が必要だった。
  • 拭き取りでは公称 10 N の法線力を調整した。イレーサーの前方キーポイントがホワイトボードの縁から 2 cm 以上ずれるか、力が 5 N を下回った場合、その試行は失敗とみなされた。
  • USB では短辺側の約 3 mm の誤差で失敗する。粗い位置合わせの後に近づく 2 段階の手首カメラ方式により、知覚誤差は 2 mm に減った。
  • 成功した試行を模倣して学習したエージェントは 3 つのペグ挿入カテゴリすべてで機能したが、手書きのコントローラーを上回ることはなく、ほぼそれを再現した。

制限事項

  • 疎なキーポイントでは、密な幾何情報を要するタスク、例えばペグが穴より大きいことの認識や、衝突のない軌道計画は扱えない（著者らの記述）。
  • 物体はグリッパーに対して静止していると仮定しており、そのため加えられる力は静止摩擦円錐の範囲内で釣り合うものに限られる。手首に取り付けたカメラではグリッパーと物体の間の滑りを検出できない（著者らの記述）。
  • 失敗の原因は把持の失敗と、フィードバックで補正しきれないほど大きなキーポイント誤差であり、USB メモリは把持しにくさのためにグリッパーに事前固定する必要があった（著者らの記述）。
  • タスク固有のキーポイントは、タスクごとにモデル作成者が選ばなければならない。
  • ロボットモデルと詳細な実験設定は付録を参照するよう示されているが、その付録はこの arXiv v1 版には含まれていない。

分野への影響

IEEE ICRA 2021 ロボットマニピュレーション最優秀論文賞のファイナリストに選ばれ、被引用数は 91 である。論文は動画デモとソースコードが公開されていると述べ、リンクとして https://sites.google.com/view/kpam2/ を挙げている。

概要

本論文では、精密で接触の多いタスクのための、汎化可能な知覚から行動へのロボットマニピュレーションを探究する。具体的には、未知の可能性がある物体インスタンスや、形状・大きさ・外観におけるカテゴリ内の大きな変動があっても、あるカテゴリの物体を自動的に扱える閉ループのロボットマニピュレーションの枠組みを提案する。従来の手法は通常、リアルタイムの 6-DOF 姿勢推定器の上にフィードバックループを構築する。しかし、固定された幾何テンプレートからのパラメータ化された変換で物体を表現しても、カテゴリ内の大きな形状変動は捉えられない。そこで我々は、カテゴリレベルのピックアンドプレースのために kPAM [13] で提案されたキーポイントベースの物体表現を採用し、それを接触の多いタスク向けの閉ループマニピュレーション方策へと拡張する。まずキーポイントに局所的な向きの情報を付加する。向き付きキーポイントを用いて、これらの向き付きキーポイントの並進/角速度、または力/トルクを調整するという観点から、新しい物体中心の行動表現を提案する。この定式化は驚くほど汎用的である。形状、大きさ、外観の異なるあるカテゴリの物体に対し、精度と器用さを要する接触の多いマニピュレーションタスク、例えばペグと穴の形状が大きく異なりクリアランスが小さいペグ挿入を達成できることを示す。提案する物体表現と行動表現により、本枠組みはロボットの把持姿勢や物体の初期配置にも依存しないため、統合や展開が柔軟に行える。動画デモとソースコードはこのリンクで公開されている。

リンク

  • arXiv 2102.06279: https://arxiv.org/abs/2102.06279
  • DOI 10.1109/LRA.2021.3062315: https://doi.org/10.1109/LRA.2021.3062315
  • PDF: https://arxiv.org/pdf/2102.06279v1
  • プロジェクトページ: https://sites.google.com/view/kpam2/

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。