DeformableRavens：変形可能な物体を操作することを学ぶ(1/2)

１．DeformableRavens：変形可能な物体を操作することを学ぶ(1/2)まとめ

・ロボットに硬い物体を掴ませる研究は多いが変形可能な物体を対象とした研究は多くない
・変形可能な物体を操作するためには物体の輪郭を指定する必要がありこれが困難
・この研究を加速するためにDeformableRavensと名付けたベンチマークを公開した

２．DeformableRavensとは？

以下、ai.googleblog.comより「Learning to Manipulate Deformable Objects」の意訳です。元記事の投稿は2021年5月14日、Daniel SeitaさんとAndy Zengさんによる投稿です。

変形するfabric(布)感が表現出来ていると感じたアイキャッチ画像のクレジットはPhoto by engin akyurt on Unsplash

ロボット工学の研究コミュニティは、ロボットが様々な硬い物体をつかむことを可能にする最近の進歩を推進してきましたが、変形可能な物体を処理できるアルゴリズムの開発に専念する研究はあまりありません。

変形可能な物体操作の課題の1つは、そのような物体の輪郭を指定することが難しいことです。例えば、しっかりと堅い立方体であれば、中心と固定点の形状を知っていれば、3D空間で輪郭を説明できます。しかし、布地(Fabrics)上の固定点は他のパーツが移動している間でも、固定されたままになります。

これにより、特に視覚が遮られている状況下で、知覚アルゴリズムが布地の完全な「輪郭」を記述することが困難になります。更に、変形可能な物体の十分に記述的な状態表現がある場合でも、その動きの変遷は複雑です。

これにより、何らかのアクションが適用された後の変形可能な物体の将来の輪郭を予測することが困難になります。この予測は、マルチステップの計画アルゴリズムで必要になることがよくあります。

ICRA 2021で提示される論文「Learning to Rearrange Deformable Cables, Fabrics, and Bags with Goal-Conditioned Transporter Networks」では、変形可能な物体操作の研究を加速することを目的として、DeformableRavensと呼ばれるオープンソースのシミュレートされたベンチマークをリリースします。

DeformableRavensは、ケーブル、布地、バッグの操作を含む12のタスクを備えており、画像で指定された目標形状になるように変形可能な物体を操作するための一連のモデルアーキテクチャが含まれています。

これらのアーキテクチャにより、ロボットはケーブルをターゲットの形状に合わせて再配置し、布地をターゲットゾーン内にデコボコがないように滑らかに設置し、アイテムをバッグに収める事ができます。

私達の知る限り、これはロボットが他のアイテムを入れるためにバッグを使用しなければならないタスクを含む最初のシミュレーターであり、ロボットがより複雑な相対空間関係を学習できるようにする上で重要な課題を提示します。

DeformableRavensベンチマーク
DeformableRavensは、オブジェクトの再配置に関する以前の研究を拡張し、一次元、二次元、および三次元の変形可能な構造を含む12のシミュレートされた一連のタスクを含みます。

各タスクには、物体を摘むためにモックグリッパーを備えたシミュレートされたUR5アームが含まれています。また、模倣学習用のデータを自律的に収集するためのスクリプト化されたデモンストレーターがバンドルされています。

タスクは、アイテムの開始状態を分布内でランダム化して、さまざまな物体形状への一般性をテストします。

PyBulletを使用して、シミュレーターで変形可能な各構造、1D(ケーブル)、2D(布地)、および3D(バッグ)を操作するためのスクリプト化されたデモンストレーターの例
これらは、DeformableRavensの12のタスクのうちの3つを示しています。
左：タスクは、ケーブルを移動して、下にある緑色のターゲットゾーンと一致させることです。
真ん中：タスクは、立方体を布で包むことです。
右：タスクは、アイテムをバッグに挿入してから、バッグを持ち上げて正方形のターゲットゾーンに移動することです。

操作タスクの目標形状を指定することは、変形可能な物体では特に難しい場合があります。複雑な動きの変遷と高次元の形状空間を考えると、剛体ほど簡単に目標ポーズを指定する事はできず、「バッグの中にアイテムを置く」などの複雑で相対的な空間関係を伴う場合があります。

従って、スクリプト化されたデモンストレーションとして定義されたタスクに加えて、ベンチマーク内には、目標画像で指定された目標条件付きタスクも含まれています。

目標条件付きタスクの場合、物体の特定の開始形状を、それらの同じ物体の目的の形状を示す別のイメージとペアにする必要があります。その特定のケースの成功は、ロボットが現在の形状を目標画像で伝達される形状に十分に近づけることができるかどうかに基づいています。