GOMP-ST：面向吸附搬运的抓取优化运动规划
机器人学
2022-03-17 v1
摘要
吸盘抓取在工业中十分常见，但移动过快会导致吸盘脱落，造成掉落或损伤。在高速运动中维持吸附抓取，需要在吸盘于应变下变形的同时，平衡吸附力与惯性力。本文考虑吸附搬运的抓取优化运动规划（GOMP-ST），一种将深度学习与优化相结合以缩短搬运时间同时避免吸盘失效的算法。GOMP-ST 首先反复移动物理机器人、真空夹爪与样本物体，同时用固态传感器测量压力以学习关键失效条件。随后，这些条件作为末端执行器加速度上的约束被集成进时间优化运动规划器。所得规划纳入了诸如吸盘变形等难以解析建模的真实世界效应。在 GOMP-ST 中，以神经网络建模的学习约束通过 Autograd 线性化，并集成进序列二次规划优化。在使用 UR5 物理机器人搬运 1.3 至 1.7 kg 物体的 420 次实验中，我们将 GOMP-ST 与基线优化运动规划器进行比较。结果表明，GOMP-ST 能够避免吸盘失效，同时将搬运时间缩短 16% 至 58%。有关代码、视频与数据集，见 https://sites.google.com/view/gomp-st。
引用
@article{arxiv.2203.08359,
title = {GOMP-ST: Grasp Optimized Motion Planning for Suction Transport},
author = {Yahav Avigal and Jeffrey Ichnowski and Max Yiye Cao and Ken Goldberg},
journal= {arXiv preprint arXiv:2203.08359},
year = {2022}
}
备注
Yahav Avigal and Jeffrey Ichnowski contributed equally. 18 pages, 8 figures