Tactile-Driven Non-Prehensile Object Manipulation via Extrinsic Contact Mode Control
作者: Miquel Oller, Dmitry Berenson, Nima Fazeli
分类: cs.RO
发布日期: 2024-05-28
💡 一句话要点
提出一种基于触觉驱动的外接触模式控制方法，用于灵巧的非抓取物体操作。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 非抓取操作 触觉感知 接触模式控制 机器人控制 动力学建模
📋 核心要点
- 现有非抓取操作方法难以处理复杂动力学和约束，尤其是在高精度触觉反馈的利用上。
- 该论文提出一种基于触觉驱动的外接触模式控制方法，通过优化机器人动作来实现期望的物体姿态和力。
- 实验验证了该方法在平面滑动和枢转等复杂操作技能上的有效性，适用于多种物体几何形状。
📝 摘要（中文）
本文研究了使用已抓取物体进行非抓取操作的问题。该问题是许多常见操作技能的超集，包括工具使用（例如，用铲子翻转汉堡）和装配（例如，用螺丝刀拧紧螺丝）。本文提出了一种算法，利用具有高柔顺性和高分辨率触觉传感器的夹爪进行非抓取操作。该方法求解机器人动作，以驱动物体姿态和力达到期望值，同时满足传感器引起的复杂动力学以及静态平衡、物体运动学和摩擦接触施加的约束。该方法能够产生各种操作技能，并通过利用接触模式（例如，粘滞或滑动接触的规范）内的可微性进行基于梯度的优化。我们评估了控制器的4种变体，并展示了许多复杂技能，包括在各种物体几何形状上进行非抓取平面滑动和枢转。驱动这些技能的感知和控制能力是在非结构化环境中实现灵巧和反应式自主性的基石。
🔬 方法详解
问题定义：论文旨在解决非抓取操作中的物体姿态和力控制问题。现有方法在处理复杂动力学（特别是触觉传感器引入的动力学）以及静态平衡、物体运动学和摩擦接触等约束方面存在不足，难以实现精确和鲁棒的操作。
核心思路：核心思路是利用高柔顺性和高分辨率的触觉传感器，通过优化机器人动作，直接驱动物体姿态和力达到期望值。该方法显式地考虑了传感器动力学和各种约束，并利用接触模式的可微性进行梯度优化，从而实现更精确的控制。
技术框架：整体框架包含以下几个主要模块：1) 触觉感知模块，用于获取物体和环境的接触信息；2) 动力学建模模块，用于建立包含传感器动力学、物体运动学和摩擦接触的完整动力学模型；3) 优化求解模块，用于求解满足约束条件的机器人动作，以实现期望的物体姿态和力；4) 控制执行模块，用于将优化后的动作转化为机器人控制指令。
关键创新：最重要的创新点在于将触觉反馈显式地融入到非抓取操作的控制框架中，并利用接触模式的可微性进行梯度优化。这使得该方法能够更精确地处理复杂动力学和约束，从而实现更灵巧和鲁棒的操作。与现有方法相比，该方法更依赖于触觉信息，而非仅仅依赖视觉信息。
关键设计：论文中关键的设计包括：1) 使用高柔顺性的触觉传感器，以提高触觉感知的灵敏度和精度；2) 建立精确的动力学模型，包括传感器动力学、物体运动学和摩擦接触；3) 利用接触模式的可微性，设计可微的损失函数，以便进行基于梯度的优化；4) 设计合适的优化算法，以求解满足约束条件的机器人动作。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法能够成功实现非抓取平面滑动和枢转等复杂操作技能，并且适用于多种物体几何形状。通过评估控制器的4种变体，验证了该方法在不同场景下的鲁棒性和有效性。虽然论文中没有给出具体的性能数据和提升幅度，但实验结果表明该方法具有良好的应用前景。
🎯 应用场景
该研究成果可应用于自动化装配、工具使用、以及其他需要在非结构化环境中进行灵巧操作的领域。例如，在制造业中，机器人可以利用该技术进行精密的零件组装；在家庭服务机器人中，可以实现更灵活的物体操作，如烹饪和清洁。该技术的发展将推动机器人自主性和适应性的提升。
📄 摘要（原文）
In this paper, we consider the problem of non-prehensile manipulation using grasped objects. This problem is a superset of many common manipulation skills including instances of tool-use (e.g., grasped spatula flipping a burger) and assembly (e.g., screwdriver tightening a screw). Here, we present an algorithmic approach for non-prehensile manipulation leveraging a gripper with highly compliant and high-resolution tactile sensors. Our approach solves for robot actions that drive object poses and forces to desired values while obeying the complex dynamics induced by the sensors as well as the constraints imposed by static equilibrium, object kinematics, and frictional contact. Our method is able to produce a variety of manipulation skills and is amenable to gradient-based optimization by exploiting differentiability within contact modes (e.g., specifications of sticking or sliding contacts). We evaluate 4 variants of controllers that attempt to realize these plans and demonstrate a number of complex skills including non-prehensile planar sliding and pivoting on a variety of object geometries. The perception and controls capabilities that drive these skills are the building blocks towards dexterous and reactive autonomy in unstructured environments.