Robust Pushing: Exploiting Quasi-static Belief Dynamics and Contact-informed Optimization

要約

押すなどの把握しにくい操作は、通常、不確実で滑らかでないダイナミクスの影響を受けます。
ただし、ダイナミクスの不確実性をモデル化すると、通常、信念ダイナミクスが手に負えなくなり、不確実性の下でデータ効率の高い計画を立てることが困難になります。
この記事では、堅牢な開ループ プッシュ プランを効率的に生成するという問題に焦点を当てます。
まず、物体の構成に対する信念が準静的な接触力学を通じてどのように伝播するかを調査します。
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せずにオブジェクト構成の分散を予測します。
サンプリングベースの軌道最適化アルゴリズムでは、計画の堅牢性を強化するために分散のゲインが制限されます。
次に、物体と接触する可能性のあるロボットの軌道を描画するための情報に基づいた軌道サンプリング機構を提案します。
このサンプリング メカニズムは、特に接続の確立と切断が必要な場合に、堅牢なソリューションを見つける可能性を大幅に向上させることが示されています。
我々は、提案されたアプローチが両手による押しの軌道を合成することができ、その結果、視覚や触覚フィードバックなどの外受容フィードバックなしで長距離の押し操作を成功させることができることを実証します。
さらに、提案されたアプローチをモデル予測制御スキームに展開し、モデル化されていない摂動に対するさらなる堅牢性を実証します。

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. We furthermore deploy the proposed approach in a model-predictive control scheme, demonstrating additional robustness against unmodeled perturbations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google