PONG: Probabilistic Object Normals for Grasping via Analytic Bounds on Force Closure Probability

要約

計画を把握するための古典的なアプローチは決定論的であり、オブジェクトの姿勢と形状についての完全な知識を必要とします。
これに応えて、計画を完全に感覚データから把握するデータ駆動型のアプローチが登場しました。
これらのデータ駆動型の方法は、平行ジョーやパワーグリップの生成には優れていますが、精密な把握（ツールの使用など、器用な手の指先を使用するもの）への適用は依然として限られています。
精密な把握は、物体の形状に敏感であるため特有の課題を抱えており、物体の形状や姿勢に小さな不確実性があると、堅牢な把握が失敗する可能性があります。
これらの課題に対応して、接触位置はわかっているが表面法線が不確実な場合に力閉鎖確率の控えめな推定値を計算するための新しい解析的アプローチである Probabilistic Object Normals for Grasping (PONG) を導入します。
次に、シミュレーションと実際のハードウェア実験の両方で堅牢な把握を生成するための把握メトリックとして PONG を使用する実際のアプリケーションを紹介します。
私たちの結果は、PONG を最大化すると、困難なオブジェクトの形状であっても、効率的に堅牢な把握を実現できること、また、PONG が、適切に調整された不確実性を認識した把握品質の指標として機能できることを示しています。

要約(オリジナル)

Classical approaches to grasp planning are deterministic, requiring perfect knowledge of an object’s pose and geometry. In response, data-driven approaches have emerged that plan grasps entirely from sensory data. While these data-driven methods have excelled in generating parallel-jaw and power grasps, their application to precision grasps (those using the fingertips of a dexterous hand, e.g, for tool use) remains limited. Precision grasping poses a unique challenge due to its sensitivity to object geometry, which allows small uncertainties in the object’s shape and pose to cause an otherwise robust grasp to fail. In response to these challenges, we introduce Probabilistic Object Normals for Grasping (PONG), a novel, analytic approach for calculating a conservative estimate of force closure probability in the case when contact locations are known but surface normals are uncertain. We then present a practical application where we use PONG as a grasp metric for generating robust grasps both in simulation and real-world hardware experiments. Our results demonstrate that maximizing PONG efficiently produces robust grasps, even for challenging object geometries, and that it can serve as a well-calibrated, uncertainty-aware metric of grasp quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google