Large-Scale Package Manipulation via Learned Metrics of Pick Success

要約

倉庫業務を自動化すると、物流諸経費が削減され、最終的には消費者にとっての最終価格が下がり、配送速度が向上し、人員の変動に対する回復力が強化されます。
ここ数年、このような繰り返しのタスクを自動化することへの関心が高まっていますが、そのほとんどは制御された設定で行われます。
構造化されていない雑然とした山から物体を取り出すなどのタスクは、人間の介入を最小限に抑えて大規模な導入に耐えられるほど堅牢になったのはつい最近のことです。
この論文では、Amazon Robotics の Robot Induction (Robin) フリートにおける非構造化山からの大規模なパッケージ操作を実証します。これは、実際の生産データでトレーニングされたピッキング成功予測器を利用します。
具体的には、システムは 394,000 件を超えるピックでトレーニングされました。
これは、1 日あたり最大 500 万個のパッケージを個別化するために使用され、この文書の評価期間中に 2 億個を超えるパッケージを操作しました。
開発された学習されたピック品質尺度は、さまざまなピック代替案をリアルタイムでランク付けし、最も有望なものを優先して実行します。
ピッキング成功予測器は、部分的に既知の特性を持つ変形可能で硬いオブジェクトを含む雑然としたシーンで、配備された産業用ロボット アームによる目的のピッキングの成功確率を、以前の経験から推定することを目的としています。
これは浅い機械学習モデルであり、予測にとってどの特徴が最も重要かを評価することができます。
オンラインのピック ランカーは、学習された成功予測子を活用して、ロボット アームにとって最も有望なピックに優先順位を付け、衝突回避について評価します。
この学習されたランキング プロセスは、制限を克服し、手動で設計されたヒューリスティックな代替手段のパフォーマンスを上回ることが実証されています。
著者の知る限り、この論文は、学習されたピック品質推定手法を実際の運用システムに初めて大規模に導入した例を示しています。

要約(オリジナル)

Automating warehouse operations can reduce logistics overhead costs, ultimately driving down the final price for consumers, increasing the speed of delivery, and enhancing the resiliency to workforce fluctuations. The past few years have seen increased interest in automating such repeated tasks but mostly in controlled settings. Tasks such as picking objects from unstructured, cluttered piles have only recently become robust enough for large-scale deployment with minimal human intervention. This paper demonstrates a large-scale package manipulation from unstructured piles in Amazon Robotics’ Robot Induction (Robin) fleet, which utilizes a pick success predictor trained on real production data. Specifically, the system was trained on over 394K picks. It is used for singulating up to 5~million packages per day and has manipulated over 200~million packages during this paper’s evaluation period. The developed learned pick quality measure ranks various pick alternatives in real-time and prioritizes the most promising ones for execution. The pick success predictor aims to estimate from prior experience the success probability of a desired pick by the deployed industrial robotic arms in cluttered scenes containing deformable and rigid objects with partially known properties. It is a shallow machine learning model, which allows us to evaluate which features are most important for the prediction. An online pick ranker leverages the learned success predictor to prioritize the most promising picks for the robotic arm, which are then assessed for collision avoidance. This learned ranking process is demonstrated to overcome the limitations and outperform the performance of manually engineered and heuristic alternatives. To the best of the authors’ knowledge, this paper presents the first large-scale deployment of learned pick quality estimation methods in a real production system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google