RUMI: Rummaging Using Mutual Information

要約

この論文では、視覚的に遮られた環境における既知の可動オブジェクトの姿勢に関する情報を収集するロボットのアクション シーケンスをオンラインで生成する方法である、相互情報を使用した探査 (RUMI) について説明します。
接触の多い物あさりに焦点を当てた私たちのアプローチは、行動計画のためにオブジェクトの姿勢分布とロボットの軌道の間の相互情報を活用します。
RUMI は、観測された部分点群から、互換性のあるオブジェクトの姿勢分布を推定し、その相互情報とワークスペース占有率をリアルタイムで近似します。
これに基づいて、物体をロボットの到達範囲内に保つための情報獲得コスト関数と到達可能性コスト関数を開発します。
これらは確率力学モデルを備えたモデル予測制御 (MPC) フレームワークに統合され、閉ループで姿勢分布を更新します。
主な貢献には、物体の姿勢推定のための新しい信念フレームワーク、効率的な情報ゲイン計算戦略、および堅牢な MPC ベースの制御スキームが含まれます。
RUMI は、ベースライン手法と比較して、シミュレートされたタスクと実際のタスクの両方で優れたパフォーマンスを示します。

要約(オリジナル)

This paper presents Rummaging Using Mutual Information (RUMI), a method for online generation of robot action sequences to gather information about the pose of a known movable object in visually-occluded environments. Focusing on contact-rich rummaging, our approach leverages mutual information between the object pose distribution and robot trajectory for action planning. From an observed partial point cloud, RUMI deduces the compatible object pose distribution and approximates the mutual information of it with workspace occupancy in real time. Based on this, we develop an information gain cost function and a reachability cost function to keep the object within the robot’s reach. These are integrated into a model predictive control (MPC) framework with a stochastic dynamics model, updating the pose distribution in a closed loop. Key contributions include a new belief framework for object pose estimation, an efficient information gain computation strategy, and a robust MPC-based control scheme. RUMI demonstrates superior performance in both simulated and real tasks compared to baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google