Benchmarks für das Verstehen des Greifens mit Robotern

Das Greifen einzelner starrer Objekte wurde unter einer Vielzahl von Einstellungen untersucht. Das übliche Maß für den Erfolg ist eine Überprüfung des Roboters, um ein Objekt für ein paar Sekunden zu halten. Das ist nicht genug. Um ein tieferes Verständnis der Objektmanipulation zu erhalten, schlagenwir (1)eineaufgabenorientierte,teilbasierte Modellierung des Greifens und (2) BURG - unser Schloss * von Setups, Werkzeugen und Metriken für das Community Building um ein objektives Benchmark-Protokoll vor. Die Idee besteht darin, die Forschung zu fördern, indem man sich auf vollständige Aufgaben konzentriert. Dies erfordert die Aufmerksamkeit auf Objektteile, da sie wichtig sind, um zu wissen, wie und wo der Greifer angesichts der durch die Aufgabe auferlegten Manipulationsbeschränkungen greifen kann. Darüber hinaus erleichtern Teile den Wissenstransfer zu neuartigen Objekten über verschiedene Quellen (virtuelle / reale Daten) und Greifer, was ein vielseitiges und skalierbares System bereitstellt. Der teilbasierte Ansatz erstreckt sich natürlich auf deformierbare Objekte, bei denen die Erkennung relevanter semantischer Teile unabhängig von der tatsächlichenDeformation des Objektswesentlichist,um ein manipulierbares Manipulationsproblem zu erhalten. Indem wir uns auf Teile konzentrieren, können wir leichter mit umweltbedingten Einschränkungen umgehen, die erkannt und verwendet werden, um das Ergreifen zu erleichtern. In Bezug auf das Benchmarking von Manipulationen litt die Robotik bisher unter einer unvergleichlichen Greif- und Manipulationsarbeit. Datensätze decken nur den Objekterkennungsaspekt ab. Objektgruppen sind schwer zu bekommen, nicht erweiterbar und weder Szenen noch Manipulationsaufgaben sind replizierbar.Es gibtkeinegemeinsamen Werkzeuge,um die grundlegenden Anforderungen zum Einrichten replizierbarer Szenen oder zur zuverlässigen Schätzung der Objektpose zu erfüllen. Mit dem BURG-Benchmark schlagen wir daher vor, den Fokus auf Community- Buildingzulegen,indem wirWerkzeugezurreproduzierbaren Leistungsbewertung bereitstellen und gemeinsam nutzen, einschließlich der Sammlung von Daten und Feedback von verschiedenen Labors zur Untersuchung von Manipulationen über verschiedene Roboterausführungen hinweg. Wir werden eine Reihe wiederholbarer Szenarien entwickeln, die verschiedene Ebenen der quantifizierbaren Komplexität umfassen und die Auswahl der Objekte, Aufgaben und Umgebungenbeinhalten. Beispiele umfassenvollständig quantifizierte Einstellungen mitObjektschichten,Hinzufügen von deformierbaren Objekten und Umgebungsbedingungen. Die Benchmark wird Metriken enthalten, die definiert sind, um die Leistung von Low-Level- Primitiven (Objektpose, Greifpunkt und -typ, kollisionsfreie Bewegung) sowie Manipulationsaufgaben (Stapeln, Ausrichten, Zusammenfügen, Packen, Übergeben, Falten) zu bewerten, die eine Reihenfolge erfordern sowie Common-Sense-Wissen für semantisches Denken.

Die Idee des BURG-Projekts ist es, die Forschung im Bereich des Greifens zu fördern, indem man sich auf vollständige Aufgaben konzentriert. Dies erfordert die Fokusierung auf Objektteile, da diese wesentlich sind, um zu wissen, wie und wo der Greifer angesichts der durch die Aufgabe auferlegten Manipulationsbeschränkungen greifen kann. Darüber hinaus erleichtern Teile den Wissenstransfer auf neue Objekte, über verschiedene Quellen (virtuelle/reale Daten) und Greifer hinweg, was ein vielseitiges und skalierbares System ermöglicht. Der auf Teilen basierende Ansatz lässt sich natürlich auch auf verformbare Objekte anwenden, für die die Erkennung relevanter semantischer Teile unabhängig von der tatsächlichen Verformung des Objekts wesentlich ist, um ein nachvollziehbares Manipulationsproblem zu erhalten. Schließlich können wir durch die Konzentration auf Teile leichter mit Umgebungseinschränkungen umgehen, die erkannt und zur Erleichterung des Greifens verwendet werden. Im Rahmen des BURG-Projekts haben wir uns auf den Aufbau einer Gemeinschaft konzentriert, indem wir Werkzeuge für eine reproduzierbare Leistungsbewertung bereitstellen und gemeinsam nutzen, einschließlich der Sammlung von Daten und Rückmeldungen aus verschiedenen Labors zur Untersuchung der Manipulation verschiedener Roboterausführungen. Wir haben eine Reihe von wiederholbaren Szenarien entwickelt, die verschiedene Ebenen quantifizierbarer Komplexität abdecken und die Wahl der Objekte, Aufgaben und Umgebungen beinhalten. Zu den Beispielen gehören vollständig quantifizierte Einstellungen mit Objektschichten, das Hinzufügen von verformbaren Objekten und Umgebungseinschränkungen. Der Benchmark enthält Metriken, um die Leistung sowohl von Primitiven (Objektposition, Greifpunkt und -typ, kollisionsfreie Bewegung) als auch von Manipulationsaufgaben (Stapeln, Ausrichten, Zusammenbauen, Verpacken, Übergeben, Falten) zu bewerten, die sowohl Ordnungswissen als auch Common Sense-Wissen für semantische Schlussfolgerungen erfordern. Die Ergebnisse sind eine Reihe von Werkzeugen für die Erstellung und Durchführung des BURG-Benchmarks sowie Softwarewerkzeuge für die Annotation und Verarbeitung der Daten.