Compact Multi-Object Placement Using Adjacency-Aware Reinforcement Learning

要約

不規則な形状の物体を正確に配置するには、熟練したロボット システムが必要です。
敏感な上面と固定された近傍セットを持つオブジェクトの操作は特に困難です。
表面の損傷を避けるために、ロボットはそれらを側面から掴む必要があり、配置中には、物理​​的なグリッパーの範囲を考慮しながら、隣接するオブジェクトとの空間関係を維持する必要があります。
本研究では、オブジェクトを可能な限り近づけて配置するためのエンドエフェクタの動作を生成する強化学習に基づいてエージェントを学習するフレームワークを提案します。
配置中に、エージェントは衝突を回避しながら、オブジェクトの特定のレイアウトで定義された隣接オブジェクトとの空間的制約を考慮します。
私たちのアプローチは、従来の方法で必要とされるオブジェクト間の事前定義された間隔を必要とせずに、コンパクトなオブジェクトアセンブリを配置する方法を学習します。
私たちは、6 自由度のロボット アームに取り付けられた 2 本指グリッパーを使用して、アプローチを徹底的に評価しました。
結果は、オブジェクト アセンブリのコンパクトさにおいて、エージェントが 2 つのベースライン アプローチよりも大幅に優れていることを示しており、それにより、指定された空間制約を遵守しながらオブジェクトを配置するために必要なスペースが削減されます。

要約(オリジナル)

Close and precise placement of irregularly shaped objects requires a skilled robotic system. The manipulation of objects that have sensitive top surfaces and a fixed set of neighbors is particularly challenging. To avoid damaging the surface, the robot has to grasp them from the side, and during placement, it has to maintain the spatial relations with adjacent objects, while considering the physical gripper extent. In this work, we propose a framework to learn an agent based on reinforcement learning that generates end-effector motions for placing objects as closely as possible to one another. During the placement, our agent considers the spatial constraints with neighbors defined in a given layout of the objects while avoiding collisions. Our approach learns to place compact object assemblies without the need for predefined spacing between objects, as required by traditional methods. We thoroughly evaluated our approach using a two-finger gripper mounted on a robotic arm with six degrees of freedom. The results demonstrate that our agent significantly outperforms two baseline approaches in object assembly compactness, thereby reducing the space required to position the objects while adhering to specified spatial constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google