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

要約

デモから学ぶことで、ロボットが農業タスク、特に選択的な収穫を実行することを学ぶことができる大きな可能性を提供します。
課題の1つは、ターゲットフルーツが近づいている間に振動する可能性があることです。
握るターゲットを把握するには、2つの要件があります。1）損傷のない把握の最終的なアプローチ中のターゲットの緊密な追跡、および2）完全なパスは、効率を改善するために可能な限り短くする必要があります。
Duallqrと呼ばれる新しい方法を提案します。
この方法では、LQRを再補充する必要なく、移動ターゲットに有限Horizo​​n線形二次レギュレーター（LQR）を使用します。
これを可能にするために、2つの個別の参照フレームでLQRが実行されているデュアルLQRセットアップを使用します。
大規模なシミュレーションテストを通じて、最先端の方法は、振動せずに必要な最終精度をかろうじて満たし、振動ターゲットで必要な精度を下回ることがわかった。
一方、Duallqrは、最小の距離を移動している間、高い振動でも必要な最終精度を満たすことができることがわかりました。
現実世界のアップルを把握するタスクのさらなるテストにより、DuallQRは99％の成功率で振動するリンゴを把握することができた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 set-up, with an LQR running in two separate 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, on the other hand, was found to be able to meet the required final accuracy even with high oscillations, while travelling the least distance. 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