노말라이징 플로우를 이용한 파지 샘플링 분포 근사 방법

Abstract

로봇이 물체를 잡으려면 어디를 잡아야 하는지 인지해야 한다. 로봇의 파지 과 정은 물체를 인식하고, 목표물에 대해 파지 후보 생성을 한다. 생성된 파지 후보들 중 주위 환경과 파지의 안정성을 고려하여 파지를 결정한다. 이때, 생성된 파지는 정확하고, 다양할수록 좋다. 왜냐하면, 생성된 파지가 정확할수록 동일 환경에 효 율적인 파지 생성이 가능하며, 파지 후보들이 다양할수록 여러 환경 혹은 환경의 변화에 대처할 수 있기 때문이다. 최근, 다양한 파지 후보의 생성 및 결정하는 연구가 많이 진행되었다. 다양한 파지 후보 생성의 한 방법으로 생성 모델을 활용하여 물체의 가능한 파지의 분포를 학습한다. 하지만, 물체의 가능한 파지 자세들은 복잡하고 멀티모달한 분포를 띄 며, 물체에 따라 가능한 파지 자세들은 변한다. 이러한 특성을 띄는 파지 후보들을 실제로 학습하는 것은 어렵다. 본 논문은 복잡한 형상을 가진 물체의 파지 분포를 보다 정확하게 근사하기 위해 노말라이징 플로우를 사용하여 학습한다. 물체에 따른 가능한 파지 자세를 조건 확률로 모델링하고, 제안한 방법으로 학습한 결과 파지 분포의 멀티모달성 을 잘 반영한다. 제안한 방법을 기존 방법과 비교 실험을 통해 다양하고, 정확한 파지를 생성하는 것을 실험적으로 보인다.

When a robot grasps an object, it needs to reason where to grasp. The robot grasping process is as follows. First, a robot recognizes the target object and generates grasp candidates for it. Among the generated grasp candidates, grasp is determined in consideration of the surrounding environment and the stability of the grasp. The generated grasp poses have to be accurate and diverse. This is because accurate grasps mean that it generates grasp efficiently without repeatedly find good grasp in the same environment. Also, diverse grasps allow handling large variation of environment.

Recently, many studies have been conducted to generate and determine grasp candidates. Among the most commonly adopted methods, generative model is used to model diverse grasp candidates. It approximates diverse grasp candidates as feasible grasp distribution and extracts samples from the learned distribution. However, feasible grasp poses are complex and multimodal. Also, they vary according to object shape. In practice, it is difficult to learn the diverse feasible grasp poses into grasp distribution.

In this work, we accurately approximate the feasible grasp distribution using normalizing flow. We model feasible grasp distribution according to the object with conditional probability density function. This approach better learns multi-modality. We show that the proposed method generates diverse and accurate grasp poses compared to existing method.