Effectively Rearranging Heterogeneous Objects on Cluttered Tabletops

要約

異種のオブジェクトを効果的に再配置することは、知能ロボットが習得すべき実用性の高いスキルです。
異種オブジェクトの把握合成には多くの研究が費やされてきましたが、そのようなオブジェクトを逐次操作するための計画にはほとんど注意が払われてきませんでした。
この研究では、卓上環境での異種オブジェクトの長期的な順次再配置を検証し、実現可能な計画を生成するだけでなく、最適に近い計画を生成することに取り組みます。
その目的に向けて、組み合わせアルゴリズムやモンテカルロ木探索ベースのソリューションなどの以前の手法を基礎として、サイズや重量などの主要なオブジェクトのプロパティを考慮して 2 つの実用的な目的関数を最適化するための最先端のソルバーを開発します。
徹底的なシミュレーション研究により、私たちの方法は、特に乱雑な設定において、困難な異種オブジェクトの再配置問題を処理する際に大きな利点を提供することが示されています。
実際のロボット実験により、これらの利点がさらに実証され、確認されます。
この研究に関連するソース コードと評価データは、この原稿の公開と同時に https://github.com/arc-l/TRLB で利用可能になります。

要約(オリジナル)

Effectively rearranging heterogeneous objects constitutes a high-utility skill that an intelligent robot should master. Whereas significant work has been devoted to the grasp synthesis of heterogeneous objects, little attention has been given to the planning for sequentially manipulating such objects. In this work, we examine the long-horizon sequential rearrangement of heterogeneous objects in a tabletop setting, addressing not just generating feasible plans but near-optimal ones. Toward that end, and building on previous methods, including combinatorial algorithms and Monte Carlo tree search-based solutions, we develop state-of-the-art solvers for optimizing two practical objective functions considering key object properties such as size and weight. Thorough simulation studies show that our methods provide significant advantages in handling challenging heterogeneous object rearrangement problems, especially in cluttered settings. Real robot experiments further demonstrate and confirm these advantages. Source code and evaluation data associated with this research will be available at https://github.com/arc-l/TRLB upon the publication of this manuscript.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google