관련 연구
최근 다관절 파지 계획의 발전은 주로 데이터 기반 접근법에 의해 이루어져 왔다.
구현 세부 사항
계산 효율성
객체 비종속 formulation의 가장 큰 장점 중 하나는 데이터를 빠르게 생성할 수 있다는 점이다. 전체 데이터셋을 만드는 데 Nvidia RTX 4090 한 대로 약 1 GPU 시간이 걸렸다. 반면, 선행 연구에서는 Nvidia A100을 사용해 1,400 GPU 시간이 필요했다고 보고했다.
파지 자세 제약과 생성
이 방법의 핵심 장점은 객체의 자세를 유연하게 지정할 수 있다는 것이다. 객체 자세는 그리퍼를 기준으로 한 객체의 위치와 방향을 의미한다.
실제 파지 상황에서는 작업 조건과 물리적 환경에 따라 그리퍼와 객체 사이의 변환이 대개 제약된다. 따라서 물리적으로 실현할 수 없는 파지 자세를 생성하는 것은 비효율적이다. 또한 원통이 회전축을 중심으로 회전하는 경우처럼 평행이동 또는 회전 대칭을 지닌 객체는 한 번의 자세 추론만으로도 효과적으로 파지할 수 있다. 하나의 추론 결과가 해당 객체 유형에 대해 유효한 파지 구성을 폭넓게 제공하기 때문이다.
파지 자세 생성 전략
특히 뚜렷한 대칭성이 없는 객체를 대상으로도 충분한 파지 범위를 확보하기 위해, 우리는 파지 후보를 생성하는 전략을 제안한다. 객체의 convex hull을 110% 확장한 뒤 그 표면에 그리퍼 자세를 균일하게 샘플링한다. 그리퍼의 손바닥은 hull의 법선 벡터와 반대 방향을 향하도록 배치한다. 이를 통해 객체 표면 전체에 걸쳐 다양하고 고르게 분포된 파지 자세를 생성할 수 있다.
평가 지표
효율성
모든 모델의 효율성은 파지 하나를 생성하는 데 필요한 평균 시간을 계산해 평가한다. 이 값은 100개의 파지를 생성하는 데 걸린 전체 시간을 기준으로 하며, 모델 추론 단계와 최적화 단계를 모두 포함한다. 이후 결과를 파지 하나에 해당하는 시간으로 정규화한다. Isaac Gym 시뮬레이션에 걸린 시간은 이 지표에서 제외한다.
실제 로봇 실험
7-DoF 로봇 팔에 장착한 Allegro Left Hand를 사용해 실험을 진행했다. YCB Dataset에 포함된 11개 객체를 실제로 파지하는 데 성공했으며, 이를 통해 이 방법이 현실의 객체에도 적용될 수 있음을 확인했다. 성공적인 파지 결과와 실험 장면은 논문에 제시되어 있다. 실험 영상은 supplementary material에서 확인할 수 있다.
결론
이 논문은 데이터 기반 파지 플래너를 위한 새로운 학습 패러다임인 GOAG를 소개한다. 제안하는 방법은 딥러닝의 장점을 활용하면서도 대규모 객체별 파지 데이터베이스가 필요하지 않도록 설계되었다. 객체 형상에 대해 어떠한 가정도 하지 않는 그리퍼 중심 학습 단계를 도입함으로써, 모델은 다양한 객체에 일반화할 수 있는 파지 전략을 학습한다.
여러 벤치마크에서 수행한 광범위한 평가 결과, 제안 방법은 해당 방법들의 전용 데이터셋으로 학습하지 않았음에도 최신 접근법에 필적하는 성능을 달성했다. 이는 이 formulation이 강력한 일반화 능력을 지닌다는 점을 보여주며, 실제 로봇에 성공적으로 배치한 실험을 통해서도 이를 확인했다.
자주 묻는 질문
GOAG란 무엇인가? GOAG는 객체 비종속·그리퍼 중심 학습 방식을 사용하는 데이터 기반 파지 플래너를 위한 학습 패러다임이다.
GOAG 데이터셋은 얼마나 효율적으로 생성되었나? 전체 데이터셋을 Nvidia RTX 4090 한 대로 약 1 GPU 시간 만에 생성했다.
파지 후보는 어떻게 생성되는가? 객체 주변의 convex hull을 110% 확장한 뒤 그 표면에 그리퍼 자세를 균일하게 샘플링하고, 손바닥이 hull의 법선 벡터와 반대 방향을 향하도록 한다.
GOAG는 실제 로봇에서 테스트되었나? 그렇다. 7-DoF 로봇 팔에 장착한 Allegro Left Hand로 YCB Dataset의 11개 객체를 성공적으로 파지했다.