Viewpoint Push Planning for Mapping of Unknown Confined Spaces

要約

ビューポイントプランニングは、オブジェクトやシーンを異なる角度から見て、十分な範囲をカバーする必要があるアプリケーションにおいて、重要なタスクです。棚のような狭い空間のマッピングは、オブジェクトがお互いを覆い隠し、シーンは正面からしか観察できないため、可能な視点が限られており、特に困難なタスクである。本論文では、マップエントロピーの削減を目的として、有望なビューを生成する深層強化学習フレームワークを提案します。さらに、このパイプラインは、閉塞したオブジェクトを発見し、可視スペースを増やすための適切な低侵襲プッシュアクションを予測することによって、標準的な視点計画を拡張する。本システムは、効率的に更新できる2.5次元の占有高マップを状態表現として用い、新しい視点を計画するか、プッシュを実行するかを決定する。実現可能なプッシュを学習するために、ニューラルネットワークを用いてマップ上のプッシュ候補をサンプリングし、サンプリングされたプッシュが実行するのに適したアクションであるかどうかを人間の専門家が手動でラベル付けします。ロボットアームを用いたシミュレーションと実世界での実験結果が示すように、本システムは、異なるベースラインと比較して、マッピングされた空間を大幅に拡大することができ、実行されたプッシュアクションは、オブジェクトの構成にわずかな変更を加えるだけで視点プランナーに大きな利益をもたらします。

要約(オリジナル)

Viewpoint planning is an important task in any application where objects or scenes need to be viewed from different angles to achieve sufficient coverage. The mapping of confined spaces such as shelves is an especially challenging task since objects occlude each other and the scene can only be observed from the front, thus with limited possible viewpoints. In this paper, we propose a deep reinforcement learning framework that generates promising views aiming at reducing the map entropy. Additionally, the pipeline extends standard viewpoint planning by predicting adequate minimally invasive push actions to uncover occluded objects and increase the visible space. Using a 2.5D occupancy height map as state representation that can be efficiently updated, our system decides whether to plan a new viewpoint or perform a push. To learn feasible pushes, we use a neural network to sample push candidates on the map and have human experts manually label them to indicate whether the sampled push is a good action to perform. As simulated and real-world experimental results with a robotic arm show, our system is able to significantly increase the mapped space compared to different baselines, while the executed push actions highly benefit the viewpoint planner with only minor changes to the object configuration.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL