GRaCE: Balancing Multiple Criteria to Achieve Stable, Collision-Free, and Functional Grasps

要約

この論文は、複数の基準が矛盾し、重要性が異なる可能性がある、ロボットの把握に関する多面的な問題に取り組んでいます。
確率的フレームワークである把握ランキングおよび基準評価 (GRaCE) を導入します。これは、階層ルールベースのロジックと、安定性、運動学的制約、目標指向機能などのさまざまな基準に基づく把握のためのランク保存効用関数を採用しています。
GRaCE の確率的な性質は、フレームワークが原則に基づいた方法で不確実性を処理すること、つまり、この方法が所定の基準が満たされる確率を活用できることを意味します。
さらに、複雑な非凸効用関数を効果的にナビゲートするために、勾配ベースの方法と勾配なしの方法を組み合わせたハイブリッド最適化戦略である GRaCE-OPT を提案します。
シミュレートされたシナリオと現実世界のシナリオの両方における実験結果は、GRaCE が既存の方法と比較して同等またはそれ以上のパフォーマンスを達成するために必要なサンプルが少ないことを示しています。
GRaCE のモジュラー アーキテクチャにより、特定のアプリケーションのニーズに合わせて簡単にカスタマイズおよび適応できます。

要約(オリジナル)

This paper addresses the multi-faceted problem of robot grasping, where multiple criteria may conflict and differ in importance. We introduce a probabilistic framework, Grasp Ranking and Criteria Evaluation (GRaCE), which employs hierarchical rule-based logic and a rank-preserving utility function for grasps based on various criteria such as stability, kinematic constraints, and goal-oriented functionalities. GRaCE’s probabilistic nature means the framework handles uncertainty in a principled manner, i.e., the method is able to leverage the probability that a given criteria is satisfied. Additionally, we propose GRaCE-OPT, a hybrid optimization strategy that combines gradient-based and gradient-free methods to effectively navigate the complex, non-convex utility function. Experimental results in both simulated and real-world scenarios show that GRaCE requires fewer samples to achieve comparable or superior performance relative to existing methods. The modular architecture of GRaCE allows for easy customization and adaptation to specific application needs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google