PIPE: Process Informed Parameter Estimation, a learning based approach to task generalized system identification

要約

私たちは、学習ベースのアプローチを使用して、既知の部品と新規部品の接触モデル パラメーターを特定することにより、ロボット誘導組立タスクの問題に取り組みます。
まず、変分オートエンコーダー (VAE) を使用して、アセンブリ部品の幾何学的特徴を抽出します。
次に、抽出した特徴を物理知識と組み合わせて、新しく提案したニューラル ネットワーク構造を使用して接触モデルのパラメーターを導き出します。
実際の実験で測定された力は、予測された力を監視するために使用されるため、グラウンド トゥルース モデル パラメーターの必要性が回避されます。
少数のアセンブリ部品セットについてのみトレーニングされましたが、未知のオブジェクトに対する良好な接触モデル推定が達成されました。
私たちの主な貢献は、接合される部品の形状に応じて組み立てタスクの接触モデルを推定できるようにするネットワーク構造です。
現在のシステム識別プロセスでは新しい組み立てプロセス用に新しいデータを記録する必要がありますが、私たちの方法では組み立て部品の 3D モデルのみが必要です。
電子プラグだけでなくピンコネクタのロボットガイドによる組み立てタスクの接触モデルを推定することによってこの方法を評価し、その結果を実際の実験と比較します。

要約(オリジナル)

We address the problem of robot guided assembly tasks, by using a learning-based approach to identify contact model parameters for known and novel parts. First, a Variational Autoencoder (VAE) is used to extract geometric features of assembly parts. Then, we combine the extracted features with physical knowledge to derive the parameters of a contact model using our newly proposed neural network structure. The measured force from real experiments is used to supervise the predicted forces, thus avoiding the need for ground truth model parameters. Although trained only on a small set of assembly parts, good contact model estimation for unknown objects were achieved. Our main contribution is the network structure that allows us to estimate contact models of assembly tasks depending on the geometry of the part to be joined. Where current system identification processes have to record new data for a new assembly process, our method only requires the 3D model of the assembly part. We evaluate our method by estimating contact models for robot-guided assembly tasks of pin connectors as well as electronic plugs and compare the results with real experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google