GOAG: 정교한 로봇 조작을 위한 생성적 객체 비의존적 파지 계획기

초록

다지 파지는 로봇 조작에 있어 중요한 기술이지만, 현재의 딥러닝 기반 파지 플래너는 제한적인 객체 특정 데이터셋으로 훈련되기 때문에 새로운 객체에 대한 일반화에 어려움을 겪는 경우가 많다. 우리는 그리퍼와 객체가 상호 접촉점에서 동일한 표면 형상을 공유한다는 관찰에 기반한 근본적으로 다른 접근 방식을 제안한다. 본 논문에서는 정교한 로봇 조작을 위한 생성적 객체 무관 파지 플래너인 GOAG(Generative and Object-Agnostic Grasp Planner)를 소개한다. GOAG는 특정 그리퍼의 접촉 표면 분포에 대한 간결한 잠재 표현을 학습하는 새로운 딥 생성 모델로, 객체 특정 훈련 데이터에 의존하지 않고 유효한 파지 구성을 효율적으로 샘플링할 수 있게 한다. 추론 시에만 객체 특징을 도입함으로써, 우리의 모델이 그리퍼의 성능과 호환되는 허용 가능한 접촉 영역을 효과적으로 검색할 수 있음을 보여준다. 우리는 시뮬레이션 및 실제 환경에서 기존의 파지 프로토콜에 대한 광범위한 실험을 통해 접근 방식을 검증하였으며, 문헌에 나와 있는 다양한 그리퍼를 사용하여 효과성을 입증하였다. 본 방법은 MultiDex 데이터셋의 객체들에 대해 평균 성공률 86.93%를 달성하여 최첨단 결과를 제공한다. 또한 다수의 파지를 생성할 때 훨씬 더 빠른 처리를 제공하면서, 이 데이터셋에 특별히 훈련된 주요 접근 방식들과 동등한 성능을 보여준다. 이러한 방법들과 달리, 우리의 접근 방식은 객체 특정 훈련 데이터에 의존하지 않으며, 이는 객체 무관 학습의 장점을 강조한다. 본 방법은 전통적인 데이터 기반 파지 플래너가 직면하는 일반화 문제를 효과적으로 해결한다. 코드와 비디오는 프로젝트 웹사이트 https://cea-list.github.io/goagweb/ 에서 확인할 수 있다.

English

Multifingered grasping is a crucial robotic skill, but current deep-learning grasp planners often struggle to generalize to new objects because they are trained on limited, object-specific datasets. We introduce a fundamentally different approach, grounded in the observation that the gripper and the object share identical surface geometry at their mutual contact points. We propose GOAG: Generative and Object-Agnostic Grasp Planner for Dexterous Robotic Manipulation, a novel deep generative model that learns a compact latent representation of a specific gripper's contact surface distribution, enabling the efficient sampling of valid grasp configurations without relying on object-specific training data. We show that by introducing object features only at inference time, our model can effectively retrieve admissible contact areas that are compatible with the gripper's capabilities. We validate our approach through extensive experiments on established grasp protocols in both simulated and real-world scenarios, demonstrating its effectiveness with different grippers from the literature. Our method delivers state-of-the-art results on the objects from the MultiDex dataset, achieving an average success rate of 86.93%. It offers significantly faster processing when generating numerous grasps, while matching the performance of leading approaches specifically trained on this dataset. Unlike these methods, our approach does not rely on object-specific training data, highlighting the advantages of object-agnostic learning. It effectively addresses the generalization challenges faced by traditional data-driven grasp planners. Code and videos are available on our project website https://cea-list.github.io/goagweb/ .