Prioritized Planning for Target-Oriented Manipulation via Hierarchical Stacking Relationship Prediction

要約

複数のターゲットをつかむシナリオでは、オブジェクト間の積み重ね関係の学習は、ロボットが安全かつ効率的に実行するための基本です。
ただし、現在の方法には、積み重ね関係タイプの階層の細分化が欠けています。
オブジェクトが整然と積み上げられているシーンでは、人間のような効率的な把持判断を行うことができません。
この論文では、オブジェクト間の異なるスタッキング タイプを区別し、与えられたターゲット指定に基づいて優先順位付けされた操作順序決定を生成するための知覚計画法を提案します。
Hierarchical Stacking Relationship Network (HSRN) を利用してスタッキングの階層を識別し、リレーションシップの説明のために洗練された Stacking Relationship Tree (SRT) を生成します。
スタッキング安定性の高いオブジェクトは、必要に応じて一緒に把握できることを考慮して、部分観測可能マルコフ決定プロセス (POMDP) に基づく精巧な意思決定プランナーを導入します。
複数のターゲットを同時に指定するのに適しています。
作業を検証するために、シーンをダイニング テーブルに設定し、ネットワーク トレーニング用の一般的な食器モデルのセットで REGRAD データセットを拡張します。
実験は、我々の方法が人間の要求に適合する把握決定を効果的に生成し、成功率を保証することに基づいて既存の方法と比較して実装効率を改善することを示しています。

要約(オリジナル)

In scenarios involving the grasping of multiple targets, the learning of stacking relationships between objects is fundamental for robots to execute safely and efficiently. However, current methods lack subdivision for the hierarchy of stacking relationship types. In scenes where objects are mostly stacked in an orderly manner, they are incapable of performing human-like and high-efficient grasping decisions. This paper proposes a perception-planning method to distinguish different stacking types between objects and generate prioritized manipulation order decisions based on given target designations. We utilize a Hierarchical Stacking Relationship Network (HSRN) to discriminate the hierarchy of stacking and generate a refined Stacking Relationship Tree (SRT) for relationship description. Considering that objects with high stacking stability can be grasped together if necessary, we introduce an elaborate decision-making planner based on the Partially Observable Markov Decision Process (POMDP), which leverages observations and generates the least grasp-consuming decision chain with robustness and is suitable for simultaneously specifying multiple targets. To verify our work, we set the scene to the dining table and augment the REGRAD dataset with a set of common tableware models for network training. Experiments show that our method effectively generates grasping decisions that conform to human requirements, and improves the implementation efficiency compared with existing methods on the basis of guaranteeing the success rate.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google