Efficient End-to-End Detection of 6-DoF Grasps for Robotic Bin Picking

要約

箱ピッキングは、物流、生産、または家庭のユースケースにおける多くのロボット システムにとって重要な構成要素です。
近年、多様で未知の物体の 6-DoF 把握を予測するための機械学習手法が有望な進歩を示しています。
ただし、既存のアプローチでは、トレーニング中に把握位置での単一のグラウンド トゥルース把握方向のみが考慮されるため、限られた把握方向しか予測できず、到達可能性が制限されたビン ピッキングで実現可能な把握の数が減少します。
この論文では、ロボットによるビンピッキングにおける平行ジョーグリッパーの高密度で多様な 6-DoF 把握を学習するための新しいアプローチを提案します。
Power-Spherical 分布に基づくパラメータ化された把握分布モデルを導入し、考えられるすべてのグランド トゥルース サンプルに基づくトレーニングを可能にします。
それにより、ノイズの多い入力に対するモデルのロバスト性を高める把握の不確実性も考慮します。
その結果、単一のトップダウン ビュー深度画像が与えられた場合、私たちのモデルは複数の衝突のない把握方向を備えた多様な把握を生成できます。
シミュレーションおよび実際のロボットによる箱ピッキング設定での実験評価は、さまざまなオブジェクト カテゴリにわたって一般化するモデルの能力を実証し、シミュレーションと現実世界の実験で約 $90 \%$ のオブジェクト除去率を達成しました。
また、当社は最先端のアプローチを上回るパフォーマンスを発揮します。
さらに、提案されたアプローチは、確率的把握分布モデリングにより、合成データセットでトレーニングされただけの場合でも、調整ステップなしで実際のロボット実験での有用性を示します。

要約(オリジナル)

Bin picking is an important building block for many robotic systems, in logistics, production or in household use-cases. In recent years, machine learning methods for the prediction of 6-DoF grasps on diverse and unknown objects have shown promising progress. However, existing approaches only consider a single ground truth grasp orientation at a grasp location during training and therefore can only predict limited grasp orientations which leads to a reduced number of feasible grasps in bin picking with restricted reachability. In this paper, we propose a novel approach for learning dense and diverse 6-DoF grasps for parallel-jaw grippers in robotic bin picking. We introduce a parameterized grasp distribution model based on Power-Spherical distributions that enables a training based on all possible ground truth samples. Thereby, we also consider the grasp uncertainty enhancing the model’s robustness to noisy inputs. As a result, given a single top-down view depth image, our model can generate diverse grasps with multiple collision-free grasp orientations. Experimental evaluations in simulation and on a real robotic bin picking setup demonstrate the model’s ability to generalize across various object categories achieving an object clearing rate of around $90 \%$ in simulation and real-world experiments. We also outperform state of the art approaches. Moreover, the proposed approach exhibits its usability in real robot experiments without any refinement steps, even when only trained on a synthetic dataset, due to the probabilistic grasp distribution modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google