A preprocessing-based planning framework for utilizing contacts in high-precision insertion tasks
作者: Muhammad Suhail Saleem, Rishi Veerapaneni, Maxim Likhachev
分类: cs.RO
发布日期: 2024-06-08
备注: \c{opyright} 2023 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works
期刊: IEEE Robotics and Automation Letters, vol. 8, no. 11, pp. 6947-6954, Nov. 2023
💡 一句话要点
提出基于预处理的规划框架，利用接触信息解决高精度插入任务中的位姿不确定性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 高精度插入 位姿不确定性 接触规划 预处理规划 POMDP 经验学习 机器人操作
📋 核心要点
- 高精度插入任务对位姿估计误差非常敏感，传统方法难以有效利用接触信息来降低不确定性。
- 提出一种基于预处理的规划框架，利用接触信息作为观测，在位姿不确定性下进行规划，从而可靠完成任务。
- 提出的E-RTDP-Bel算法加速了策略数据库的构建，实验表明数据库创建速度提升超过100倍，并在实际和仿真任务中验证了框架的有效性。
📝 摘要（中文）
本文针对高精度插入任务（如插头插入或装配），提出了一种基于预处理的规划框架，以应对位姿估计误差敏感问题。该框架将此类任务建模为位姿不确定性下的规划问题，有效利用接触事件（或缺失）作为观测信息，从而降低不确定性并可靠地完成任务。针对重复性和时间敏感的场景，该框架预先计算并存储策略数据库，以应对有限的初始位姿分布集合。为解决数据库构建的计算复杂性，提出了一种基于经验的POMDP求解器E-RTDP-Bel，利用相似规划问题的解加速规划查询，高效构建数据库。实验表明，该算法将数据库创建速度提高了100倍以上，使其在计算上可行。在实际插头插入任务（存在端口位置不确定性）和仿真管道装配任务（存在管道位姿不确定性）中验证了该框架的有效性。
🔬 方法详解
问题定义：论文旨在解决高精度插入任务中，由于位姿估计不确定性导致任务失败的问题。现有方法难以有效利用接触信息来减小这种不确定性，尤其是在重复性和时间敏感的场景下，需要快速且可靠的解决方案。现有方法的痛点在于计算复杂度高，难以进行在线规划，且难以有效利用历史经验。
核心思路：论文的核心思路是利用接触事件（或缺失）作为观测信息，通过规划来减小位姿不确定性。针对重复性任务，采用预处理的方式，离线计算并存储策略数据库，在线阶段直接查询数据库，从而实现快速响应。通过经验学习，加速策略数据库的构建过程。
技术框架：整体框架包含离线预处理和在线执行两个阶段。离线阶段，首先对可能的初始位姿分布进行枚举，然后使用E-RTDP-Bel算法为每个初始位姿分布计算最优策略，并将策略存储在数据库中。在线阶段，感知系统估计初始位姿分布，然后从数据库中检索对应的策略，并执行该策略。在执行过程中，根据接触事件更新位姿估计，并根据更新后的位姿估计继续执行策略。
关键创新：最重要的技术创新点在于提出的E-RTDP-Bel算法，这是一种基于经验的POMDP求解器。与传统的POMDP求解器相比，E-RTDP-Bel算法能够利用相似规划问题的解作为经验，从而加速规划查询，显著降低了数据库构建的计算复杂度。本质区别在于，E-RTDP-Bel算法能够学习并利用不同任务之间的相似性，从而提高规划效率。
关键设计：E-RTDP-Bel算法的关键设计包括：1) 相似性度量：用于衡量不同规划问题之间的相似程度，例如可以使用初始位姿分布的KL散度作为相似性度量。2) 经验重用：将相似规划问题的解（例如最优策略）作为初始策略，加速RTDP算法的收敛。3) 探索策略：在RTDP算法中，需要设计合适的探索策略，以避免陷入局部最优解。论文中可能使用了ε-greedy策略或Boltzmann探索策略。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的E-RTDP-Bel算法将数据库创建速度提高了100倍以上，显著降低了计算复杂度。在实际插头插入任务中，该框架能够有效地利用接触信息，在存在端口位置不确定性的情况下，可靠地完成插入任务。在仿真管道装配任务中，该框架也表现出良好的性能，能够有效地应对管道位姿不确定性。
🎯 应用场景
该研究成果可应用于各种高精度装配任务，例如电子元件组装、医疗器械制造、航空航天部件装配等。通过利用接触信息和预处理规划，可以提高装配的精度和效率，降低生产成本，并减少人为干预。未来可扩展到更复杂的装配场景，例如柔性物体的装配或在拥挤环境中的装配。
📄 摘要（原文）
In manipulation tasks like plug insertion or assembly that have low tolerance to errors in pose estimation (errors of the order of 2mm can cause task failure), the utilization of touch/contact modality can aid in accurately localizing the object of interest. Motivated by this, in this work we model high-precision insertion tasks as planning problems under pose uncertainty, where we effectively utilize the occurrence of contacts (or the lack thereof) as observations to reduce uncertainty and reliably complete the task. We present a preprocessing-based planning framework for high-precision insertion in repetitive and time-critical settings, where the set of initial pose distributions (identified by a perception system) is finite. The finite set allows us to enumerate the possible planning problems that can be encountered online and preprocess a database of policies. Due to the computational complexity of constructing this database, we propose a general experience-based POMDP solver, E-RTDP-Bel, that uses the solutions of similar planning problems as experience to speed up planning queries and use it to efficiently construct the database. We show that the developed algorithm speeds up database creation by over a factor of 100, making the process computationally tractable. We demonstrate the effectiveness of the proposed framework in a real-world plug insertion task in the presence of port position uncertainty and a pipe assembly task in simulation in the presence of pipe pose uncertainty.