Learning to Dexterously Pick or Separate Tangled-Prone Objects for Industrial Bin Picking

要約

絡み合いやすい物体の産業用ビンピッキングでは、ロボットが絡み合っていない物体を拾うか、ビンに孤立した物体が含まれていない場合に分離操作を実行する必要があります。
ロボットは、現在の観察に基づいて適切なアクションを柔軟に実行できなければなりません。
乱雑な中での高度なオクルージョン、とらえどころのないもつれ現象、および熟練した操作計画の必要性により、これは困難です。
この論文では、産業用ビンピッキングにおいて、絡み合いやすい物体をピッキングするための自律的で効果的かつ一般的なアプローチを提案します。
まず、PickNet について学びます。これは、視覚的観察を、孤立したオブジェクトを選択したり、絡み合ったオブジェクトを分離したりするピクセル単位の可能性にマッピングし、対応する把握を推測するネットワークです。
次に、2 つの効果的な分離戦略を提案します。1 つは、絡み合ったオブジェクトをバッファ ビンにドロップして、絡み合いの程度を軽減することです。
バッファ ビン内の絡み合ったオブジェクトを引っ張って分離することは、視覚入力から引っ張る位置と方向を予測するネットワークである PullNet によって計画されています。
PickNet と PullNet をトレーニングするためのデータを効率的に収集するために、物理シミュレーターのアルゴリズム スーパーバイザーを使用した自己教師あり学習パラダイムを採用しています。
実際の実験では、私たちのポリシーが 90% の成功率で絡みやすいオブジェクトを器用に拾うことができることが示されています。
さらに、目に見えないオブジェクトのセットを選択することで、ポリシーの一般化を実証します。
補足資料、コード、ビデオは https://xinyiz0931.github.io/tangle でご覧いただけます。

要約(オリジナル)

Industrial bin picking for tangled-prone objects requires the robot to either pick up untangled objects or perform separation manipulation when the bin contains no isolated objects. The robot must be able to flexibly perform appropriate actions based on the current observation. It is challenging due to high occlusion in the clutter, elusive entanglement phenomena, and the need for skilled manipulation planning. In this paper, we propose an autonomous, effective and general approach for picking up tangled-prone objects for industrial bin picking. First, we learn PickNet – a network that maps the visual observation to pixel-wise possibilities of picking isolated objects or separating tangled objects and infers the corresponding grasp. Then, we propose two effective separation strategies: Dropping the entangled objects into a buffer bin to reduce the degree of entanglement; Pulling to separate the entangled objects in the buffer bin planned by PullNet – a network that predicts position and direction for pulling from visual input. To efficiently collect data for training PickNet and PullNet, we embrace the self-supervised learning paradigm using an algorithmic supervisor in a physics simulator. Real-world experiments show that our policy can dexterously pick up tangled-prone objects with success rates of 90%. We further demonstrate the generalization of our policy by picking a set of unseen objects. Supplementary material, code, and videos can be found at https://xinyiz0931.github.io/tangle.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google