BOMP: Bin-Optimized Motion Planning

📄 arXiv: 2411.00221v1 📥 PDF

作者: Zachary Tam, Karthik Dharmarajan, Tianshuang Qiu, Yahav Avigal, Jeffrey Ichnowski, Ken Goldberg

分类: cs.RO, cs.LG

发布日期: 2024-10-31

💡 一句话要点

BOMP：一种箱体优化运动规划方法，加速深箱拣选任务

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 运动规划 机器人 深度学习 箱体拣选 轨迹优化

📋 核心要点

  1. 现有方法在深箱拣选任务中效率低下，难以快速生成满足机器人运动学约束和避障要求的轨迹。
  2. BOMP利用深度学习进行轨迹规划的初始化，并结合优化算法，快速生成时间优化、加速度限制和无碰撞的轨迹。
  3. 实验表明，BOMP在模拟和物理环境中均优于基线方法，显著提升了拣选速度和成功率，并能生成加速度受限的轨迹。

📝 摘要（中文）

本文提出了一种箱体优化运动规划（BOMP）框架，旨在为配备长鼻吸盘工具的六轴工业机器人规划从深箱中移除物体的运动轨迹，从而提高物流效率。BOMP综合考虑了机器人手臂的运动学、驱动限制、抓取物体的尺寸以及箱体环境的高度图，快速生成时间优化、加速度限制和无碰撞的轨迹。该优化过程使用离线训练的深度神经网络进行热启动，该网络在模拟环境中利用25000个场景和相应的轨迹进行训练。实验结果表明，在96个模拟环境和15个物理环境中，BOMP生成的无碰撞轨迹比基于采样的基线规划器快58%，比行业标准的Up-Over-Down算法快36%，而后者的成功率极低，仅为15%。此外，BOMP还生成了加速度限制的轨迹，而基线方法没有。

🔬 方法详解

问题定义：论文旨在解决深箱拣选场景下，机器人快速生成无碰撞、时间优化且满足运动学约束的轨迹的问题。现有基于采样的运动规划方法速度慢，难以满足实时性要求；而Up-Over-Down等传统算法在复杂场景下成功率低，且无法保证轨迹的平滑性（加速度限制）。

核心思路：论文的核心思路是结合深度学习和优化算法。首先，利用深度神经网络学习大量的模拟数据，快速生成一个初始轨迹；然后，使用优化算法对该初始轨迹进行精细调整，以满足运动学约束、避障要求和时间优化目标。这种方法既能保证规划速度，又能保证轨迹的质量。

技术框架：BOMP框架主要包含两个阶段：离线训练阶段和在线规划阶段。在离线训练阶段，使用大量的模拟数据训练一个深度神经网络，该网络输入场景信息（如箱体高度图、物体尺寸等），输出一个初始轨迹。在在线规划阶段，首先使用训练好的神经网络生成初始轨迹，然后使用优化算法对该轨迹进行优化，最终得到满足要求的运动轨迹。

关键创新：BOMP的关键创新在于将深度学习用于运动规划的初始化，并结合优化算法进行精细调整。与传统的基于采样的运动规划方法相比，BOMP能够显著提高规划速度。与传统的启发式算法相比，BOMP能够生成更高质量的轨迹，并能更好地适应复杂的场景。

关键设计：深度神经网络的具体结构未知，但其作用是根据场景信息预测一个初始轨迹。优化算法的目标函数包括时间最小化、碰撞惩罚和加速度惩罚等。具体的参数设置（如学习率、优化算法的参数等）未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，BOMP在模拟和物理环境中均优于基线方法。在模拟环境中，BOMP生成的轨迹比基于采样的规划器快58%。在物理环境中，BOMP比行业标准的Up-Over-Down算法快36%，并且Up-Over-Down算法的成功率仅为15%。此外，BOMP还能生成加速度限制的轨迹，而基线方法无法保证。

🎯 应用场景

BOMP可应用于物流、仓储等领域的自动化拣选任务，提高拣选效率和降低人工成本。该方法也可扩展到其他机器人操作任务，例如装配、喷涂等。未来，BOMP有望与感知系统和控制系统集成，实现更智能、更灵活的机器人操作。

📄 摘要（原文）

In logistics, the ability to quickly compute and execute pick-and-place motions from bins is critical to increasing productivity. We present Bin-Optimized Motion Planning (BOMP), a motion planning framework that plans arm motions for a six-axis industrial robot with a long-nosed suction tool to remove boxes from deep bins. BOMP considers robot arm kinematics, actuation limits, the dimensions of a grasped box, and a varying height map of a bin environment to rapidly generate time-optimized, jerk-limited, and collision-free trajectories. The optimization is warm-started using a deep neural network trained offline in simulation with 25,000 scenes and corresponding trajectories. Experiments with 96 simulated and 15 physical environments suggest that BOMP generates collision-free trajectories that are up to 58 % faster than baseline sampling-based planners and up to 36 % faster than an industry-standard Up-Over-Down algorithm, which has an extremely low 15 % success rate in this context. BOMP also generates jerk-limited trajectories while baselines do not. Website: https://sites.google.com/berkeley.edu/bomp.