Prioritized Planning for Target-Oriented Manipulation via Hierarchical Stacking Relationship Prediction

要約

複数のターゲットを把握するシナリオでは、ロボットが安全かつ効率的に実行するためには、オブジェクト間の積み重ね関係を学習することが不可欠です。
ただし、現在の方法には、スタッキング関係タイプの階層を細分化する機能がありません。
物体が整然と積み上げられている場面では、人間のような高効率な把握判断を行うことができません。
この論文は、オブジェクト間の異なるスタッキングタイプを区別し、与えられたターゲットの指定に基づいて優先順位付けされた操作順序の決定を生成する知覚計画手法を提案します。
階層スタッキング関係ネットワーク (HSRN) を利用してスタッキングの階層を識別し、関係を説明するための洗練されたスタッキング関係ツリー (SRT) を生成します。
スタッキング安定性の高いオブジェクトは、必要に応じて一緒に把握できることを考慮して、部分的に観察可能なマルコフ決定プロセス (POMDP) に基づいた精巧な意思決定プランナーを導入します。これは、観察を活用し、ロバスト性を備えた把握消費の最小の意思決定チェーンを生成します。
複数のターゲットを同時に指定する場合に適しています。
私たちの作業を検証するために、シーンをダイニング テーブルに設定し、ネットワーク トレーニング用の一般的な食器モデルのセットで REGRAD データセットを強化しました。
実験により、私たちの方法は人間の要件に適合する把握決定を効果的に生成し、成功率の保証に基づいて既存の方法と比較して実装効率が向上することが示されています。

要約(オリジナル)

In scenarios involving the grasping of multiple targets, the learning of stacking relationships between objects is fundamental for robots to execute safely and efficiently. However, current methods lack subdivision for the hierarchy of stacking relationship types. In scenes where objects are mostly stacked in an orderly manner, they are incapable of performing human-like and high-efficient grasping decisions. This paper proposes a perception-planning method to distinguish different stacking types between objects and generate prioritized manipulation order decisions based on given target designations. We utilize a Hierarchical Stacking Relationship Network (HSRN) to discriminate the hierarchy of stacking and generate a refined Stacking Relationship Tree (SRT) for relationship description. Considering that objects with high stacking stability can be grasped together if necessary, we introduce an elaborate decision-making planner based on the Partially Observable Markov Decision Process (POMDP), which leverages observations and generates the least grasp-consuming decision chain with robustness and is suitable for simultaneously specifying multiple targets. To verify our work, we set the scene to the dining table and augment the REGRAD dataset with a set of common tableware models for network training. Experiments show that our method effectively generates grasping decisions that conform to human requirements, and improves the implementation efficiency compared with existing methods on the basis of guaranteeing the success rate.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google