“다리를 이용한 운동 조작을 위한 다양한 다중 접촉 계획 및 제어”라는 기사의 저자인 Jean Pierre Sleiman과의 인터뷰

“다리 운동 조작을 위한 다양한 다중 접촉 계획 및 제어” 기사 이미지. © 미국과학진흥협회

우리는 최근 사이언스 로보틱스(Science Robotics)에 게재된 “다리가 있는 운동 조작을 위한 다목적 다중 접촉 계획 및 제어”라는 기사의 저자인 Jean Pierre Sleiman을 인터뷰할 기회를 가졌습니다.

귀하의 기사에 포함된 연구 주제는 무엇입니까? 연구 주제는 다리가 있는 모바일 조작기가 다양한 운동 조작 문제(즉, 본질적으로 운동 요소와 관련된 조작 문제)를 해결할 수 있도록 하는 모델 기반 계획 및 제어 아키텍처의 개발에 중점을 둡니다. 우리의 연구는 특히 픽 앤 플레이스 애플리케이션보다는 해결하기 위해 여러 접촉 상호 작용이 필요한 작업에 중점을 두었습니다. 우리의 접근 방식이 시뮬레이션 환경에 국한되지 않도록 이를 적용하여 맞춤형 6자유도 로봇 팔인 DynaArm이 장착된 ANYmal 4족 보행 플랫폼으로 구성된 다리 시스템으로 실제 작업을 해결합니다.

귀하의 연구가 갖는 의미와 그것이 왜 흥미로운 연구 분야인지 말씀해 주시겠습니까? 이 연구는 문 통과, 식기세척기 열기 및 닫기, 산업 환경에서 밸브 조작 등과 같은 다양한 실제 작업을 해결할 수 있는 이동식 다리 조작기라는 로봇을 만들고자 하는 열망에 의해 추진되었습니다. 표준 접근 방식은 원하는 동작을 생성하기 위해 상당한 양의 엔지니어링 노력을 투자하여 각 작업에 개별적으로 그리고 독립적으로 접근하는 것이었습니다.

이는 일반적으로 설계자가 일련의 하위 목표(예: 문 손잡이 잡기, 원하는 각도로 문 열기, 발 중 하나로 문 잡기, 팔을 옆으로 움직이기)를 지정하는 코딩된 상태 기계를 사용하여 달성됩니다. 문 반대쪽, 문을 닫으면서 통과하는 등). 또는 인간 전문가가 로봇을 원격 조작하고, 움직임을 기록하고, 로봇이 기록된 행동을 모방하는 방법을 학습하여 작업을 해결하는 방법을 시연할 수 있습니다.

그러나 이 프로세스는 매우 느리고 지루하며 엔지니어링 설계 오류가 발생하기 쉽습니다. 각각의 새로운 작업에 대한 이러한 부담을 피하기 위해 연구에서는 자세한 지침 없이도 광범위한 운동 조작 작업에 필요한 동작을 자동으로 발견할 수 있는 단일 계획자 형태의 보다 구조화된 접근 방식을 선택했습니다. .

당신의 방법론을 설명해 주시겠습니까? 우리 방법론의 기본 아이디어는 우리가 해결하려는 모든 운동 조작 작업이 작업 및 움직임 계획(TAMP) 문제로 모델링될 수 있다는 것입니다. TAMP는 로봇이 이미 일련의 기본 기술(예: 물체 집기, 물체 배치, 물체를 향해 이동, 물체 던지기 등)을 보유하고 있는 순차적 조작 문제를 해결하는 데 주로 사용된 잘 확립된 프레임워크입니다. 장기적으로 더 복잡한 작업을 해결하려면 여전히 이들을 적절하게 통합해야 합니다.

이러한 관점을 통해 우리는 모든 작업을 포괄하고 작업별 지식이 아닌 도메인별 지식을 활용할 수 있는 단일 2단계 최적화 공식을 설계할 수 있었습니다. 이를 다양한 계획 기술(경로 최적화, 정보 그래프 검색 및 샘플링 기반 계획)의 잘 확립된 강점과 결합함으로써 최적화 문제를 해결하는 효과적인 검색 전략을 달성할 수 있었습니다.

우리 작업의 주요 기술 혁신은 기사 그림 1의 모듈 B에 표시된 오프라인 다중 접촉 계획 모듈에 있습니다. 일반적인 구성은 다음과 같이 요약할 수 있습니다. 사용자 정의 로봇 엔드 이펙터 세트(예: 왼쪽 앞발, 오른쪽 앞발, 그리퍼 등) 및 개체 가능성(로봇이 개체와 상호 작용할 수 있는 위치를 설명), 모든 접점 쌍의 조합을 캡처하는 개별 상태가 도입됩니다. 초기 목표 상태(예: 로봇은 문 뒤에 있어야 함)가 주어지면 다중 접촉 플래너는 연속 로봇과 함께 가능한 접촉 모드에 대한 2단계 검색을 통해 트리를 점진적으로 성장시켜 단일 쿼리 문제를 해결합니다. . -객체 궤적. 결과 계획은 발견된 접촉 시퀀스에 대한 단일 장수평 궤적 최적화를 통해 개선됩니다.

주요 결과는 무엇이었나요? 우리는 최소한의 지침이 제공되었음에도 불구하고 우리의 계획 프레임워크가 다양한 운동 조작 작업에 대한 복잡한 다중 접촉 계획을 신속하게 발견할 수 있다는 것을 발견했습니다. 예를 들어, 문 교차 시나리오의 경우 문의 어포던스(예: 손잡이, 뒷면, 앞면)를 지정하고 로봇이 문 뒤에 도착하도록 요청하여 희박한 목표만 제공합니다. 또한 생성된 동작이 물리적으로 일관되며 실제 다리가 있는 모바일 조작기를 사용하여 안정적으로 실행될 수 있음을 발견했습니다.

이 분야에서 또 어떤 작업을 계획하고 있나요? 우리는 제시된 프레임워크를 완전 자율 기관차 조작 시스템의 개발을 향한 단계로 봅니다. 그러나 향후 작업에서 해결하려는 몇 가지 제한 사항이 있습니다. 이러한 제한은 주로 사전 모델링된 환경을 기반으로 생성된 동작의 모니터링이 정의하기가 항상 쉽지 않은 합리적으로 정확한 설명의 가정에서만 실행 가능한 작업 실행 단계와 관련됩니다.

불일치 모델링의 견고성은 심층 강화 학습(DRL)과 같은 데이터 기반 기술로 플래너를 보완함으로써 크게 향상될 수 있습니다. 따라서 향후 작업에 대한 흥미로운 방향은 기관차 조작 계획자가 최소한의 보상 엔지니어링으로 일련의 까다로운 작업을 해결하기 위해 신속하게 생성할 수 있는 신뢰할 수 있는 전문가 시연을 사용하여 강력한 DRL 정책 교육을 안내하는 것입니다.

저자 소개

Jean-Pierre Sleiman은 2016년 레바논의 AUB(American College of Beirut)에서 기계공학 학사 학위를 취득했고, 2018년 이탈리아 Politecnico Di Milano에서 자동화 및 제어 석사 학위를 취득했습니다. 현재 박사 학위를 취득했습니다. 디. D. 스위스 취리히 ETH 로봇 시스템 연구소(RSL)의 후보자. 그의 현재 연구 관심분야는 최적화 기반 계획 및 다리 이동 조작 제어입니다.