Pre-grasp planning for time-efficient and robust mobile manipulation

Lakshadeep Naik

Publikation: AfhandlingPh.d.-afhandling

172 Downloads (Pure)

Abstract

Inden for mobil manipulation (MM) udføres navigations- og manipulationshandlinger ofte sekventielt. Tidseffektiviteten af MM kan forbedres ved at planlægge manipulationshandlinger, så som greb, samtidig med at robotten udfører navigationshandlingerne. Dette kaldes "pre-grasp" planlægning. Pre-grasp planlægning kræver dog nøjagtige 6D-objektpositioner og rotationer ("poses"), som normalt kun er tilgængelige, når robotten er tæt på og har et klart udsyn til objekterne. Desuden kan pre-grasp planlægning ud fra usikre poses føre til fejl. Denne afhandling undersøger, hvordan man kan estimere pålidelige poses til pre-grasp planlægning samt tilknyttede usikkerheder mens robotten nærmer sig objekterne for at gribe. Derudover undersøges det hvordan man kan benytte disse pose-estimater til at udføre pre-grasp planlægning og træffe informerede beslutninger for at forbedre tidseffektiviteten og robustheden ved mobil manipulation.

Den første del af denne afhandling fokuserer på at forbedre estimaterne af objekteternes poses, mens robotten nærmer sig objekterne for at gribe dem. Vi udvikler et "multi-view 6D pose distribution tracking framework", der estimerer 6D-poses sammen med de tilknyttede usikkerheder. Frameworket kompenserer for robotkameraets begrænsede udsyn, mens robotten nærmer sig objekterne, ved at inkorporere yderligere billeder fra stationære eksterne kameraer i miljøet. Den anden del af denne afhandling fokuserer på at træffe informerede beslutninger for at reducere risikoen for fejl på grund af usikre estimater af objekternes poses. Vi udvikler et probabilistisk inferens-framework til at afgøre, om usikkerheden i estimatet af objektets pose er tilstrækkelig til vellykket udførelse af en given handling. Frameworket tager højde for både den estimerede usikkerhed i objektets pose og den acceptable usikkerhed for en vellykket gennemførelse af robothandlingen til at bestemme sandsynligheden for succes. Den sidste del af denne afhandling fokuserer på pre-grasp planlægning til at forbedre tidseffektiviteten ved mobil manipulation med online-planlægning. Vi udvikler læringsbaserede metoder til pre-grasp planlægning, der udnytter den iboende hierarkiske struktur i pre-grasp planlægningsopgaver til at forbedre "sample"-effektiviteten under læring. Først lærer vi planlægningen af den bevægelse som robotten benytter til at nærme sig objektet før der gribes. Derefter lærer vi planlægningen af gribesekvensen for objektet og robotbasens pose under grebet.

De vigtigste bidrag i denne afhandling omfatter i) integrationen af observationer fra stationære eksterne kameraer i miljøet med observationer fra det dynamiske robotkamera, til at estimere 6D objekt poses med tilhørende estimater af usikkerheden, ii) en demonstration af brugen af de estimerede pose-usikkerheder til at træffe informerede robotbeslutninger og iii) "sample"-effektiv læring ved at udnytte den iboende hierarkiske struktur i robotopgaverne. Med disse bidrag mener vi, at dette arbejde bidrager til at muliggøre tidseffektiv og robust MM under usikre pose estimater.
OriginalsprogEngelsk
Bevilgende institution
  • Syddansk Universitet
Vejledere/rådgivere
  • Krüger, Norbert, Hovedvejleder
  • Iversen, Thorbjørn Mosekjær, Bivejleder
  • Kramberger, Aljaz, Bivejleder
Udgiver
DOI
StatusUdgivet - 26. aug. 2024

Fingeraftryk

Dyk ned i forskningsemnerne om 'Pre-grasp planning for time-efficient and robust mobile manipulation'. Sammen danner de et unikt fingeraftryk.

Citationsformater