Planning for quasi-static manipulation tasks via an intrinsic haptic metric: a book insertion case study

要約

連絡先の操作には、特定のタスクを達成するためにプッシュするなど、オブジェクトとの戦略的な相互作用が必要です。
新しい本を所定の位置に入れる前に、近隣の本を脇に​​押し出してスペースを作成することにより、ロボットが混雑した棚に本を挿入する新しいシナリオを提案します。
このコンテキストでは、スペースが限られており、接触を避ける傾向があるため、このコンテキストでは古典的な計画アルゴリズムが失敗します。
さらに、間接的に操作可能なオブジェクトを処理したり、力の相互作用を考慮したりしません。
私たちの重要な貢献は次のとおりです。i）均衡条件から導出された暗黙のマニホールドの計画問題として準静的操作を再構築する。
ii）アドホックコスト関数の代わりに固有の触覚メトリックを利用する。
iii）ロボット状態、オブジェクト位置、接点、触覚距離を同時に更新する適応アルゴリズムを提案します。
混雑した本棚挿入タスクでの方法を評価し、一般的に剛体操作タスクに適用できます。
接触点と力をキャプチャするプロキシを提案します。スーパーリップスはオブジェクトを表します。
この単純化されたモデルは、差別化可能性を保証します。
私たちのフレームワークは、戦略的なウェッジインポリシーを自律的に発見し、単純化された連絡先モデルは実際のシナリオと同様の動作を達成します。
また、剛性と初期位置を変化させて、フレームワークを包括的に分析します。
ビデオはhttps://youtu.be/eab8umz3aq0にあります。

要約(オリジナル)

Contact-rich manipulation often requires strategic interactions with objects, such as pushing to accomplish specific tasks. We propose a novel scenario where a robot inserts a book into a crowded shelf by pushing aside neighboring books to create space before slotting the new book into place. Classical planning algorithms fail in this context due to limited space and their tendency to avoid contact. Additionally, they do not handle indirectly manipulable objects or consider force interactions. Our key contributions are: i) reframing quasi-static manipulation as a planning problem on an implicit manifold derived from equilibrium conditions; ii) utilizing an intrinsic haptic metric instead of ad-hoc cost functions; and iii) proposing an adaptive algorithm that simultaneously updates robot states, object positions, contact points, and haptic distances. We evaluate our method on a crowded bookshelf insertion task, and it can be generally applied to rigid body manipulation tasks. We propose proxies to capture contact points and forces, with superellipses to represent objects. This simplified model guarantees differentiability. Our framework autonomously discovers strategic wedging-in policies while our simplified contact model achieves behavior similar to real world scenarios. We also vary the stiffness and initial positions to analyze our framework comprehensively. The video can be found at https://youtu.be/eab8umZ3AQ0.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google