MultiSCOPE: Disambiguating In-Hand Object Poses with Proprioception and Tactile Feedback

著者: Andrea Sipos, Nima Fazeli · RSS 2023

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

2 本のアームが把持した物体どうしを何度か軽く当て合う。接触、力、動作間の一貫性で評価するパーティクルフィルタにより、両方の手内姿勢を約 0.5 cm まで復元する。

重要な理由

本手法はカメラも高解像度の触覚スキンも必要とせず、Franka Emika Panda のような協働ロボットがすでに備える関節センシングとレンチ推定、あるいは市販の手首力覚センサだけで済む。これにより、遮蔽のある環境でも一般的なハードウェアで手内姿勢の補正が可能になる。

課題

把持物体の姿勢の誤差は、工具の使用や組立において滑り、予期しない接触、噛み込みを引き起こす。視覚ベースの推定器は遮蔽があると機能せず、遮蔽は精密な組立や狭い空間ではよくある。高解像度の触覚センサは高価で、劣化しやすく、モデル化も難しい。単一の接触（著者らの以前の SCOPE 手法のように）では、姿勢に曖昧さが残ることが多い。

提案手法

MultiSCOPE は、接触パーティクルフィルタ（CPFGrasp）と物体姿勢パーティクルフィルタを組み合わせる SCOPE を、1 回の接触から、2 本のアームが保持する 2 つの物体間の一連の突きへと拡張する。使うのは固有受容感覚と 6 軸の手首レンチのみである。すべての面に接触パーティクルが割り当てられるようにする工具セグメンテーションのステップ（表面法線に対する K-Means の後に DBSCAN）、接触が計測された手首レンチを説明できる姿勢を優先するレンチ損失、以前の動作から構築した接触点群に対して姿勢を評価する記憶損失を加える。以前の動作が矛盾していると判明した場合には「memory dropout」を行う。

主な知見

• 複数の接触動作を組み合わせることで、単一の動作では残る曖昧さが解消される。1 回の突きがある方向を拘束し、2 回目の突きが別の方向を拘束する
• 接触パーティクルを表面全体で一様にではなく、セグメント化した面ごとにサンプリングすることで、小さいが機能上重要な面の見落としを防ぎ、必要なパーティクル数も減らせる
• 推定した接触が計測された手首のレンチを再現することを要求する損失（レンチ損失）が、アブレーションで最も効果の大きい単独の損失だった
• ロボット間のキャリブレーション誤差は重要である。キャリブレーションなしでは著者らは 2 本のアーム間に 1–1.5 cm の RMS 誤差を観測し、ICP ベースの手順で 3–7 mm に減らした

主な結果

• シミュレーション、レンチ工具、5 動作で 10 試行：工具の姿勢誤差は 0.47 ± 0.27 cm と −0.76 ± 2.01°、プローブの姿勢誤差は 0.49 ± 0.28 cm と −2.67 ± 4.76°。公差の厳しいレンチをねじ頭にはめるタスクは 10 回中 8 回成功
• 完全な手法の損失アブレーション（表 I、5 試行）では工具誤差 0.48 ± 0.16 cm、タスク成功率 100% と報告されている一方、10 試行の実験（本文と表 II）では 0.47 ± 0.27 cm と 80% と報告されている。これらは別々の試行セットである
• 単一動作のみでは工具の並進誤差は平均 1.08 cm、タスク成功率は 40% で、完全な複数動作の手法では 0.47 cm と 80% だった（表 II）
• 力・トルクのノイズが信号の大きさの 5% のとき：工具誤差 0.52 ± 0.31 cm、5 タスク中 4 タスクを完了。8% のノイズではどのタスクも成功しなかった（工具誤差 1.13 ± 0.33 cm）
• シミュレーションでの六角レンチ、つめ（ポール）、歯車の工具では、工具の並進誤差がそれぞれ 0.31、0.33、0.49 cm だった（各 10 試行）
• 実機、レンチ工具、4 動作：タスク試行 5 回中 5 回成功（円柱のターゲットを用い、片側 3.5 mm の公差）

制限事項

• 著者らは動作の選択を今後の課題としている。突きの動作は手作業で選ばれており、動作の回数を減らすにはより体系的な選択が必要である
• 本手法は、既知の幾何モデルをもつ剛体、モーメントを伝えない点接触、突きの間に相対的な滑りがないことを仮定している
• 固有受容感覚のノイズはモデル化されていない。著者らは 2 本の実機アームを互いにキャリブレーションするのが難しいことを見出した（キャリブレーション後で RMS 3–7 mm）
• 精度は力・トルクのノイズとともに低下する。8% のノイズでは、タスクに基づくデモはどれも成功しなかった
• 平行グリッパが姿勢を拘束するため姿勢は SE(2) で推定されており、実世界のテストでは 1 つの工具を用い、ねじ頭の代わりに円柱を用いた

分野への影響

RSS 2023 Best Student Paper Award のファイナリストとなり、被引用数は 14 である。論文ではコードと動画について www.mmintlab.com/multiscope/ を案内しており、そのページからコードリポジトリにリンクされている。

概要

本論文では、双腕ロボットシステムの固有受容感覚と触覚フィードバックを用いて手内物体の姿勢を推定する手法を提案する。本手法は、把持された物体どうしの一連の摩擦接触インタラクションを通じて姿勢の不確かさを減らすという問題に取り組む。手法の一部として、1) 接触位置と物体姿勢の推定を容易にする工具セグメンテーション手順、2) インタラクション間の解の一貫性について推論できるようにする損失、3) 各アームが受ける外部の力・トルクを説明する物体姿勢と接触位置への収束を促す損失、を提案する。シミュレーションと実世界の双腕プラットフォームの両方で、タスクに基づくデモにより本手法の有効性を示し、単一のインタラクションと比べて物体姿勢推定が大きく改善することを示す。コードと動画は www.mmintlab.com/multiscope/ を参照のこと。

リンク

• arXiv 2305.14204: https://arxiv.org/abs/2305.14204
• DOI 10.48550/arXiv.2305.14204: https://doi.org/10.48550/arXiv.2305.14204
• PDF: https://arxiv.org/pdf/2305.14204v1
• コード: https://github.com/MMintLab/multiscope
• プロジェクトページ: https://www.mmintlab.com/multiscope/