Integrating Active Sensing and Rearrangement Planning for Efficient Object Retrieval from Unknown, Confined, Cluttered Environments

要約

未知の限られた空間から目標物体を回収することは、統合されたタスク駆動型のアクティブセンシングと再配置計画を必要とする困難な作業のままです。
これまでのアプローチは、アクティブなセンシングと再配置計画に個別に対処しており、現実世界のシナリオでの実用性が制限されていました。
この論文では、統合された新しいヒューリスティックベースのアクティブセンシングとモンテカルロツリー検索 (MCTS) ベースの検索計画アプローチを紹介します。
これらのコンポーネントは相互にフィードバックを提供し、回収プランナーが経路を遮断する障害物を再配置するシーケンスと目標物体を回収するための衝突のない軌道を計画するのに適した重要な未観察エリアを能動的に感知します。
私たちは、シミュレートされたシナリオと現実世界の狭い雑然としたシナリオの両方で、インハンドカメラを備えたロボットアームを使用したアプローチの有効性を実証します。
私たちのフレームワークは、さまざまな最先端の手法と比較されます。
結果は、成功率、オブジェクト再配置計画の消費時間、およびターゲットの取得に成功するまでの計画試行回数の点で、私たちが提案したアプローチがベースライン手法を大幅に上回っていることを示しています。
ビデオは https://youtu.be/tea7I-3RtV0 でご覧いただけます。

要約(オリジナル)

Retrieving target objects from unknown, confined spaces remains a challenging task that requires integrated, task-driven active sensing and rearrangement planning. Previous approaches have independently addressed active sensing and rearrangement planning, limiting their practicality in real-world scenarios. This paper presents a new, integrated heuristic-based active sensing and Monte-Carlo Tree Search (MCTS)-based retrieval planning approach. These components provide feedback to one another to actively sense critical, unobserved areas suitable for the retrieval planner to plan a sequence for relocating path-blocking obstacles and a collision-free trajectory for retrieving the target object. We demonstrate the effectiveness of our approach using a robot arm equipped with an in-hand camera in both simulated and real-world confined, cluttered scenarios. Our framework is compared against various state-of-the-art methods. The results indicate that our proposed approach outperforms baseline methods by a significant margin in terms of the success rate, the object rearrangement planning time consumption and the number of planning trials before successfully retrieving the target. Videos can be found at https://youtu.be/tea7I-3RtV0.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google