Trabajos relacionados
Los avances recientes en la planificación de agarres diestros han estado impulsados, en gran medida, por enfoques basados en datos.
Detalles de implementación
Eficiencia computacional
Una ventaja importante de nuestra formulación independiente del objeto es la rapidez con la que se generan los datos. La creación completa del conjunto de datos requirió aproximadamente 1 hora de GPU en una única Nvidia RTX 4090. En cambio, un trabajo anterior informó de un tiempo de generación mucho mayor: 1.400 horas de GPU utilizando Nvidia A100.
Restricciones y generación de poses de agarre
Una ventaja clave de este método es la flexibilidad para imponer la pose del objeto. La pose del objeto define su posición y orientación con respecto a la pinza.
En una situación práctica de agarre, la transformación entre la pinza y el objeto suele estar condicionada por la tarea y el entorno físico. Por ello, generar poses de agarre físicamente inviables resulta ineficiente. Además, los objetos con simetrías traslacionales o rotacionales, como un cilindro que gira alrededor de su eje de revolución, pueden agarrarse eficazmente mediante una sola inferencia de pose, ya que esta proporciona un amplio abanico de configuraciones de agarre válidas para ese tipo de objeto.
Estrategia de generación de poses de agarre
Para garantizar una cobertura completa de los agarres, especialmente en objetos que carecen de una simetría apreciable, proponemos una estrategia para generar candidatos de agarre. Muestreamos uniformemente poses de la pinza sobre la envolvente convexa del objeto, dilatada un 110 %. La palma de la pinza se orienta en dirección opuesta al vector normal de la envolvente. Este enfoque garantiza que las poses de agarre generadas sean diversas y estén bien distribuidas por la superficie del objeto.
Métricas de evaluación
Eficiencia
Evaluamos la eficiencia de todos los modelos calculando el tiempo medio necesario para generar un solo agarre. Esta medida se basa en el tiempo total empleado en producir 100 agarres, incluidas las fases de inferencia del modelo y optimización. Después, el valor resultante se normaliza para un único agarre. El tiempo de simulación en Isaac Gym se excluye de esta métrica.
Experimentos con un robot real
Realizamos experimentos con una Allegro Left Hand montada en un brazo robótico de 7 grados de libertad. Logramos agarrar 11 objetos del YCB Dataset, lo que demuestra la capacidad del método para transferirse a objetos del mundo real. El artículo muestra los agarres logrados y también el montaje experimental. Los vídeos de los experimentos se incluyen en el material suplementario.
Conclusión
Este artículo presenta GOAG, un nuevo paradigma de aprendizaje para planificadores de agarres basados en datos. Nuestro enfoque aprovecha las ventajas del aprendizaje profundo y elimina la necesidad de contar con una base de datos de agarres específica para cada objeto y de gran escala. Al adoptar una fase de entrenamiento centrada en la pinza, sin asumir ninguna forma concreta de los objetos, nuestro modelo aprende una estrategia de agarre generalizable.
Evaluaciones exhaustivas en múltiples bancos de pruebas demuestran que nuestro método alcanza un rendimiento competitivo con el de los enfoques más avanzados, incluso sin entrenarse con sus conjuntos de datos específicos. Esto pone de relieve la sólida capacidad de generalización de nuestra formulación, que también validamos mediante un despliegue exitoso en un robot real.
Preguntas frecuentes
¿Qué es GOAG? GOAG es un paradigma de aprendizaje para planificadores de agarres basados en datos que emplea un enfoque de entrenamiento independiente del objeto y centrado en la pinza.
¿Con qué eficiencia se generó el conjunto de datos de GOAG? El conjunto de datos completo se creó en aproximadamente 1 hora de GPU utilizando una única Nvidia RTX 4090.
¿Cómo se generan los candidatos de agarre? Las poses de la pinza se muestrean uniformemente sobre una envolvente convexa alrededor del objeto, dilatada un 110 %, con la palma orientada en dirección opuesta al vector normal de la envolvente.
¿Se probó GOAG con un robot real? Sí. Una Allegro Left Hand montada en un brazo robótico de 7 grados de libertad logró agarrar 11 objetos del YCB Dataset.