Efficient Motion Prediction with Sahpe Abstraction for Robotic Pushing Manipulation

Abstract

로봇이 물체들을 밀어 이동시키는 조작은 구조화되지 않은 인간 환경에서 물체들을 파지하기 위해 매우 중요하다. 이를 이용해 목표 물체를 가까운 주변 물체들로부터 분리한 뒤 파지할 수 있으며, 잡을 수 없는 납작한 큰 물체 또한 가장자리로 민 뒤 파지할 수 있다. 로봇이 물체들을 밀 때 발생하는 복잡한 움직임들을 예측하기 위해, 우리는 슈퍼 쿼드릭을 기반으로 이를 예측하는 새로운 알고리즘을 제안한다. 기존 연 구들은 로봇이 물체들을 민 뒤 나타날 관측을 예측하는 방식으로 진행되었다. 그러 나 이러한 관측 기반 방법들은 물체들의 형상과 움직임 사이의 상관관계를 반영하지 못하며, 물체들의 목표 위치가 고정되지 않은 과제를 수행하는데 어려움을 보인다. 이러한 문제들을 해결하기 위해서, 본 연구는 다양한 형상을 표현할 수 있는 슈퍼 쿼 드릭을 활용해 물체의 형상을 추정한 뒤, 이를 기반으로 물체들의 움직임을 예측한다. 본 연구를 통해 물체들의 움직임을 더욱 효과적으로 예측할 수 있었으며, 목표 위치가 하나로 고정되지 않은 과제들 또한 효과적으로 수행할 수 있었다.

Robot pushing is an important manipulation skill for dexterous object grasping, especially if the environment is overly cluttered or large, flat objects exist. To predict the complex motions after robot pushing, we propose a Superquadric-based Interaction Network (SI-Net). Previous observation-based methods estimated future observations after a robotic push. However, these methods cannot reflect the correlation between the shape and motion of objects. Moreover, they can only be used for limited tasks where the target configuration is fixed. To overcome these limitations, SI-Net uses superquadrics to effectively represent the position, orientation, and shape of objects from a raw observation. Then, by using this superquadric representation as input, SI-Net effectively learns the complex motions of objects. Using a novel simulation dataset in which robot pushes objects, we show that our model outperforms the existing method. Furthermore, SI-Net is applied to real-world manipulation tasks and is shown that it can be effectively used for dexterous grasping.