Variable Grasp Pose and Commitment for Trajectory Optimization

要約

私たちは、可変把握姿勢サンプリングと軌道コミットメントという 2 つの重要なアイデアを組み込むことにより、軌道最適化手法を強化することを提案します。
当社の反復アプローチでは、複数の把握ポーズをサンプリングし、解が見つかる可能性を高めながら、最適化の範囲を目標領域に向かって徐々に狭めて計算効率を向上させます。
私たちは、サンプリングベースの計画と固定目標の最適化とのアプローチを比較する実験を実施します。
4 つの異なるタスク シーンを特徴とするシミュレーション実験では、当社のアプローチは、より長い計算時間と引き換えに、低コストの軌道を生成し、制約があり雑然とした困難な環境でより高い成功率を達成することで、ベースラインを常に上回っています。
実際の実験では、低コストの軌道を生成し、強化された堅牢性を示すという点で、私たちのアプローチの優位性がさらに検証されています。
私たちは実験計画の限界を認識していますが、私たちが提案したアプローチは軌道最適化手法を強化する大きな可能性を秘めており、一貫した信頼性の高いロボット操作を達成するための有望なソリューションを提供します。

要約(オリジナル)

We propose enhancing trajectory optimization methods through the incorporation of two key ideas: variable-grasp pose sampling and trajectory commitment. Our iterative approach samples multiple grasp poses, increasing the likelihood of finding a solution while gradually narrowing the optimization horizon towards the goal region for improved computational efficiency. We conduct experiments comparing our approach with sampling-based planning and fixed-goal optimization. In simulated experiments featuring 4 different task scenes, our approach consistently outperforms baselines by generating lower-cost trajectories and achieving higher success rates in challenging constrained and cluttered environments, at the trade-off of longer computation times. Real-world experiments further validate the superiority of our approach in generating lower-cost trajectories and exhibiting enhanced robustness. While we acknowledge the limitations of our experimental design, our proposed approach holds significant potential for enhancing trajectory optimization methods and offers a promising solution for achieving consistent and reliable robotic manipulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google