Learning to Reorient Objects with Stable Placements Afforded by Extrinsic Supports

要約

サポートを使用してオブジェクトの向きを変更することは、実用的ではありますが、困難な操作タスクです。
オブジェクトの複雑な形状とロボットの実行可能な動作が制約されているため、オブジェクトの向きを変更するには複数の操作手順が必要です。
この研究では、点群からさまざまなオブジェクトの配置を予測するためのパイプラインを提案します。
このパイプラインは 3 つのステージで構成されます。ポーズ生成ステージ、それに続くポーズ調整ステージ、そして配置分類ステージで終わります。
また、点群に基づいて操作グラフを構築するアルゴリズムも提案します。
ロボットがオブジェクトの配置を転送するために、実行可能な操作シーケンスが決定されます。
シミュレーション実験と現実世界の実験の両方で、私たちのアプローチが効果的であることが実証されています。
シミュレーション結果は、ランダムな開始ポーズで新しいオブジェクトに一般化するパイプラインの能力を強調しています。
当社の予測配置は、最先端のベースラインと比較して精度が 20% 向上しています。
さらに、ロボットは、アルゴリズムによって構築された操作グラフ内で実行可能な連続ステップを見つけて、オブジェクトの方向変更操作を実行します。

要約(オリジナル)

Reorienting objects by using supports is a practical yet challenging manipulation task. Owing to the intricate geometry of objects and the constrained feasible motions of the robot, multiple manipulation steps are required for object reorientation. In this work, we propose a pipeline for predicting various object placements from point clouds. This pipeline comprises three stages: a pose generation stage, followed by a pose refinement stage, and culminating in a placement classification stage. We also propose an algorithm to construct manipulation graphs based on point clouds. Feasible manipulation sequences are determined for the robot to transfer object placements. Both simulated and real-world experiments demonstrate that our approach is effective. The simulation results underscore our pipeline’s capacity to generalize to novel objects in random start poses. Our predicted placements exhibit a 20% enhancement in accuracy compared to the state-of-the-art baseline. Furthermore, the robot finds feasible sequential steps in the manipulation graphs constructed by our algorithm to accomplish object reorientation manipulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google