DualLQR: Efficient Grasping of Oscillating Apples using Task Parameterized Learning from Demonstration

要約

デモンストレーションから学習することで、ロボットが農業作業、特に選択的収穫の実行方法を学習できる大きな可能性が得られます。
課題の 1 つは、ターゲットの果物が接近中に振動する可能性があることです。
振動するターゲットの把握には 2 つの要件があります。1) 損傷のない把握のために最終アプローチ中にターゲットを厳密に追跡すること、2) 効率を向上させるために完全な経路をできるだけ短くすること。
我々は DualLQR と呼ばれる新しい手法を提案します。
この方法では、移動ターゲット上で有限水平線形二次レギュレータ (LQR) を使用します。LQR を再装着する必要はありません。
これを可能にするために、LQR が 2 つの別々の参照フレームで実行されるデュアル LQR セットアップを使用します。
広範なシミュレーション テストを通じて、最新の方法は振動がなければ必要な最終精度をかろうじて満たしており、振動するターゲットでは必要な精度を下回ることが判明しました。
DualLQR は、高い振動でも必要な最終精度を満たすことができ、高い方向の振動では精度が 60% 向上することがわかりました。
実際のリンゴ把握タスクでのさらなるテストでは、DualLQR が振動するリンゴを 99% の成功率で首尾よく把握できることが示されました。

要約(オリジナル)

Learning from Demonstration offers great potential for robots to learn to perform agricultural tasks, specifically selective harvesting. One of the challenges is that the target fruit can be oscillating while approaching. Grasping oscillating targets has two requirements: 1) close tracking of the target during the final approach for damage-free grasping, and 2) the complete path should be as short as possible for improved efficiency. We propose a new method called DualLQR. In this method, we use a finite horizon Linear Quadratic Regulator (LQR) on a moving target, without the need of refitting the LQR. To make this possible, we use a dual LQR setup, with an LQR running in two seperate reference frames. Through extensive simulation testing, it was found that the state-of-art method barely meets the required final accuracy without oscillations and drops below the required accuracy with an oscillating target. DualLQR was found to be able to meet the required final accuracy even with high oscillations, with an accuracy increase of 60% for high orientation oscillations. Further testing on a real-world apple grasping task showed that DualLQR was able to successfully grasp oscillating apples, with a success rate of 99%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google