Learned Slip-Detection-Severity Framework using Tactile Deformation Field Feedback for Robotic Manipulation

要約

物体を安全に取り扱い、滑りを回避することはロボット操作における基本的な課題ですが、従来の技術では滑りを 2 つの事象として扱うことで問題を単純化しすぎることがよくあります。
私たちの研究は、スリップインシデントを特定し、その重大度を測定するフレームワークを示しています。
GelSight Mini センサーによってキャプチャされた触覚変形データの詳細なベクトル場分析に基づいた一連の機能を紹介します。
2 つの異なる機械学習モデルでこれらの機能が使用されます。1 つは滑り検出に焦点を当て、もう 1 つは滑りの重大度 (センサー表面に対する物体の滑り速度) を評価します。
当社の滑り検出モデルは平均精度 92% を達成し、滑り重大度推定モデルは目に見えない物体に対して 0.6 cm/s の平均絶対誤差 (MAE) を示します。
このフレームワークの相乗的アプローチを実証するために、触覚フィードバックに基づく垂直スライド タスクで両方のモデルを使用します。
スリップ検出の高精度を活用して、それを基礎および修正モデルとして利用し、スリップ重大度推定をフィードバック制御ループに統合して、過剰補償することなくスリップに対処します。

要約(オリジナル)

Safely handling objects and avoiding slippage are fundamental challenges in robotic manipulation, yet traditional techniques often oversimplify the issue by treating slippage as a binary occurrence. Our research presents a framework that both identifies slip incidents and measures their severity. We introduce a set of features based on detailed vector field analysis of tactile deformation data captured by the GelSight Mini sensor. Two distinct machine learning models use these features: one focuses on slip detection, and the other evaluates the slip’s severity, which is the slipping velocity of the object against the sensor surface. Our slip detection model achieves an average accuracy of 92%, and the slip severity estimation model exhibits a mean absolute error (MAE) of 0.6 cm/s for unseen objects. To demonstrate the synergistic approach of this framework, we employ both the models in a tactile feedback-guided vertical sliding task. Leveraging the high accuracy of slip detection, we utilize it as the foundational and corrective model and integrate the slip severity estimation into the feedback control loop to address slips without overcompensating.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google