Planning for Robust Open-loop Pushing: Exploiting Quasi-static Belief Dynamics and Contact-informed Optimization

要約

プッシングのような非包括的な操作は、一般的に不確実で非平滑なダイナミクスに従う。しかしながら、ダイナミクスの不確実性をモデル化することは、一般的に、難解な信念ダイナミクスをもたらし、不確実性の下でのデータ効率的なプランニングを困難にしている。本稿では、ロバストなオープンループ押し付け計画を効率的に生成する問題に焦点を当てる。まず、物体構成に対する信念が準静的接触ダイナミクスを通してどのように伝播するかを調べる。この単純化されたダイナミクスを利用して、摂動分布からサンプリングすることなく物体配置の分散を予測する。サンプリングに基づく軌道最適化アルゴリズムでは、計画のロバスト性を強化するために分散の利得を制約する。第二に、物体に接触する可能性の高いロボット軌道を描くための、情報に基づく軌道サンプリング機構を提案する。このサンプリング機構は、特に接触と離脱を繰り返す必要がある場合に、ロバスト解を見つける可能性を大幅に向上させることが示される。我々は、提案するアプローチが、視覚や触覚フィードバックのような外界からの知覚フィードバックなしに、長ホライズン押しのマヌーバを成功させる、バイマニュアル押しの軌道を合成できることを実証する。

要約(オリジナル)

Non-prehensile manipulation such as pushing is typically subject to uncertain, non-smooth dynamics. However, modeling the uncertainty of the dynamics typically results in intractable belief dynamics, making data-efficient planning under uncertainty difficult. This article focuses on the problem of efficiently generating robust open-loop pushing plans. First, we investigate how the belief over object configurations propagates through quasi-static contact dynamics. We exploit the simplified dynamics to predict the variance of the object configuration without sampling from a perturbation distribution. In a sampling-based trajectory optimization algorithm, the gain of the variance is constrained in order to enforce robustness of the plan. Second, we propose an informed trajectory sampling mechanism for drawing robot trajectories that are likely to make contact with the object. This sampling mechanism is shown to significantly improve chances of finding robust solutions, especially when making-and-breaking contacts is required. We demonstrate that the proposed approach is able to synthesize bi-manual pushing trajectories, resulting in successful long-horizon pushing maneuvers without exteroceptive feedback such as vision or tactile feedback.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL