Dynamic Layer Detection of a Thin Materials using DenseTact Optical Tactile Sensors

要約

薄い材料の操作は、多くの日常のタスクにとって重要であり、ロボットにとって重要な課題のままです。
既存の研究により、物質的な平滑化や折りたたみなどのタスクが進んでいますが、多くの研究は、層検出の予備的なステップが解決できる一般的な故障モード（しわくちゃの角/エッジ、誤った把握統計）と闘っています。
Densetact 2.0光学触覚センサーを装備したカスタムグリッパーを使用して、把持した材料層の数を分類するための新しい方法を提示します。
薄い材料を把握した後、グリッパーは、光流、6軸レンチ、およびジョイント状態データを収集しながら、擬人化された摩擦運動を実行します。
トランスベースのネットワークでこのデータを使用すると、把握した布層の数を正しく分類する際に98.21％のテスト精度が得られ、グラストされた紙の層を分類する際に81.25％の精度が得られ、動的な摩擦法の有効性が示されます。
さまざまな入力とモデルアーキテクチャの評価は、このタスクの触覚センサー情報とトランスモデルの有用性を強調します。
568のラベル付き試験の包括的なデータセット（布で368、紙の場合は200）を収集し、このペーパーとともにオープンソースを作成しました。
プロジェクトページは、https：//armlabstanford.github.io/dynamic-cloth-retectionで入手できます。

要約(オリジナル)

Manipulation of thin materials is critical for many everyday tasks and remains a significant challenge for robots. While existing research has made strides in tasks like material smoothing and folding, many studies struggle with common failure modes (crumpled corners/edges, incorrect grasp con-figurations) that a preliminary step of layer detection can solve. We present a novel method for classifying the number of grasped material layers using a custom gripper equipped with DenseTact 2.0 optical tactile sensors. After grasping a thin material, the gripper performs an anthropomorphic rubbing motion while collecting optical flow, 6-axis wrench, and joint state data. Using this data in a transformer-based network achieves a test accuracy of 98.21% in correctly classifying the number of grasped cloth layers, and 81.25% accuracy in classifying layers of grasped paper, showing the effectiveness of our dynamic rubbing method. Evaluating different inputs and model architectures highlights the usefulness of tactile sensor information and a transformer model for this task. A comprehensive dataset of 568 labeled trials (368 for cloth and 200 for paper) was collected and made open-source along with this paper. Our project page is available at https://armlabstanford.github.io/dynamic-cloth-detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google