[DL輪読会]SafePicking: Learning Safe Object Extraction via Object-Level Mapping (ICRA2022)

DEEP LEARNING JP [DL Papers] SafePicking: Learning Safe Object Extraction via Object-Level Mapping (ICRA2022) Koki Yamane, University of Tsukuba http://deeplearning.jp/

• http://deeplearning.jp/

書誌情報 ⚫ 題名： SafePicking: Learning Safe Object Extraction via Object-Level Mapping ⚫ 発表：ICRA 2022 ⚫ 著者： Kentaro Wada, Stephen James, Andrew J. Davison

概要 山をなるべく崩さないようにばら積みピッキング

背景 重なっている下側のオブジェクトを扱うのは難しい ⚫ Object Pose入力 ⚫ 正確に推定できれば高効率 ⚫ オクルージョンなどによる誤差に弱い ⚫ Row Data入力 ⚫ 暗黙的な学習でロバスト ⚫ 学習コスト大 2023/10/10 4

提案手法 Row, Pose両方入力してDeep-Q-Learning ⚫ 入力：Action, Row Data, Object Pose ⚫ 行動：End-Effectorの６DoF移動 ⚫ 並進は0.05m刻み，回転は22.5度刻みで離散化（3^6=729通り） ⚫ 報酬：非対象物の並進移動距離の和 ⚫ リアルでは正確に測定できないためシミュレーションでのみ学習 2023/10/10 5

システム全体像 物体マッピング＋学習ベースの動作計画 MoreFusion [Wada+, 2020] 2023/10/10 6

実験設定（Simulation） ⚫ シミュレータ：Mujoco ⚫ オブジェクト：YCB models ⚫ 評価指標 ⚫ translation…落下と滑りの両方を評価 ⚫ velocity…主に落下を評価 2023/10/10 7

実験結果 translation, velocity共に最も低い値 ⚫ Naive…初期位置まで関節線形補間 ⚫ Heuristic…真上に直進 ⚫ RRT-Connect…衝突回避経路 2023/10/10 8

実験結果（Ablation） Pose, Row両方入力が最良 2023/10/10 9

実験設定（Real World） ⚫ Simで学習したモデルを使用 ⚫ Sim環境を再現 ⚫ 評価指標 ⚫ 動作前と動作後のHeightmapの差分 2023/10/10 10

実験結果 Real WorldでもPose+Row入力の有効性を確認 2023/10/10 11

まとめ ⚫ Pose, Rowを併用した強化学習でロバスト性向上 ⚫ 山をなるべく崩さないばら積みピッキングの学習に成功 ⚫ 非剛体や高摩擦の物体などに対しての学習に応用が見込める 感想 ⚫ 視覚情報のみから複雑なダイナミクスを学習できている ⚫ 物体ラベルから特性を推定できている？ ⚫ 未知物体にどれだけ汎化できるのか 2023/10/10 12