Planning for Complex Non-prehensile Manipulation Among Movable Objects by Interleaving Multi-Agent Pathfinding and Physics-Based Simulation

要約

大量のクラッタでの現実世界の操作の問題では、ロボットが環境内のオブジェクトとの潜在的な接触について推論する必要があります。
タスクを解決するためにいくつかの「移動可能な」オブジェクトを再配置する必要がある棚からターゲットオブジェクトを取得するためのピックアンドプレーススタイルのタスクに焦点を当てています。
特に、私たちの動機は、複数のオブジェクトがロボットによって同時に動かされる可能性があり、オブジェクトが傾いたり、寄りかかったりする可能性がある複雑なロボット-オブジェクトおよびオブジェクト-オブジェクトの相互作用につながる、把握しにくい再配置アクションをロボットが推論して検討できるようにすることです。
お互い、または転倒。
これをサポートするために、物理ベースのシミュレーターにクエリを実行して、これらの相互作用のダイナミクスを前方にシミュレートします。これにより、計画中のアクションの評価が計算的に非常に高価になります。
プランナーを扱いやすくするために、M4M アルゴリズムが反復する 2 つのフェーズに問題を分解できる、可動オブジェクト間の操作とマルチエージェント パスファインディングのドメイン間の接続を確立します。
最初に、可動オブジェクトの構成について推論するマルチエージェント計画問題を解決しますが、物理モデルを順方向にシミュレートしません。
次に、物理ベースのシミュレーターを使用するが、可動オブジェクトの可能な構成を検索しない腕の運動計画の問題が解決されます。
PR2 ロボットを使用してシミュレーション実験と実世界実験を実行し、関連するベースライン アルゴリズムと比較します。
私たちの結果は、M4M が複雑な 3D インタラクションを生成し、競争力のあるパフォーマンスでベースラインの少なくとも 2 倍の問題を解決することを強調しています。

要約(オリジナル)

Real-world manipulation problems in heavy clutter require robots to reason about potential contacts with objects in the environment. We focus on pick-and-place style tasks to retrieve a target object from a shelf where some `movable’ objects must be rearranged in order to solve the task. In particular, our motivation is to allow the robot to reason over and consider non-prehensile rearrangement actions that lead to complex robot-object and object-object interactions where multiple objects might be moved by the robot simultaneously, and objects might tilt, lean on each other, or topple. To support this, we query a physics-based simulator to forward simulate these interaction dynamics which makes action evaluation during planning computationally very expensive. To make the planner tractable, we establish a connection between the domain of Manipulation Among Movable Objects and Multi-Agent Pathfinding that lets us decompose the problem into two phases our M4M algorithm iterates over. First we solve a multi-agent planning problem that reasons about the configurations of movable objects but does not forward simulate a physics model. Next, an arm motion planning problem is solved that uses a physics-based simulator but does not search over possible configurations of movable objects. We run simulated and real-world experiments with the PR2 robot and compare against relevant baseline algorithms. Our results highlight that M4M generates complex 3D interactions, and solves at least twice as many problems as the baselines with competitive performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google