Density-based Feasibility Learning with Normalizing Flows for Introspective Robotic Assembly

要約

ロボット組立順序計画 (RASP) の機械学習 (ML) モデルは、潜在的な効率低下を回避するために、予測された解決策、つまり実行可能かどうかについて内省的である必要があります。
以前の作業では、トレーニング中に実行可能な例と実行不可能な例の両方が必要でした。
ただし、新しい製品バリアントに迅速に適応するために再トレーニングが必要な場合、実行不可能なものを十分に収集するのは困難です。
この研究では、実現可能な例のみを必要とする密度ベースの実現可能性学習方法を提案します。
具体的には、複雑な確率分布を推定するための強力な生成モデルである正規化フロー (NF) を使用した分布外 (OOD) 検出として実現可能性学習問題を定式化します。
経験的に、提案された方法はロボットアセンブリのユースケースで実証されており、実行不可能なアセンブリの検出において他の単一クラスのベースラインよりも優れています。
私たちのメソッドの内部動作メカニズムをさらに調査し、NF の高度なバリアントに基づいて大幅なメモリ節約が得られることを示します。

要約(オリジナル)

Machine Learning (ML) models in Robotic Assembly Sequence Planning (RASP) need to be introspective on the predicted solutions, i.e. whether they are feasible or not, to circumvent potential efficiency degradation. Previous works need both feasible and infeasible examples during training. However, the infeasible ones are hard to collect sufficiently when re-training is required for swift adaptation to new product variants. In this work, we propose a density-based feasibility learning method that requires only feasible examples. Concretely, we formulate the feasibility learning problem as Out-of-Distribution (OOD) detection with Normalizing Flows (NF), which are powerful generative models for estimating complex probability distributions. Empirically, the proposed method is demonstrated on robotic assembly use cases and outperforms other single-class baselines in detecting infeasible assemblies. We further investigate the internal working mechanism of our method and show that a large memory saving can be obtained based on an advanced variant of NF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google