Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-8896
Main Title: Robot grasping by exploiting compliance and environmental constraints
Translated Title: Robotisches Greifen unter Ausnutzung der Nachgiebigkeit von Händen und Einbeziehung der Umgebung
Author(s): Eppner, Clemens
Advisor(s): Brock, Oliver
Referee(s): Brock, Oliver
Bicchi, Antonio
Ritter, Helge
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: Grasping is a crucial skill for any autonomous system that needs to alter the physical world. The complexity of robot grasping stems from the fact that any solution comprises various components: Hand design, control, perception, and planning all affect the success of a grasp. Apart from picking solutions in well-defined industrial scenarios, general grasping in unstructured environment is still an open problem. In this thesis, we exploit two general properties to devise grasp planning algorithms: the compliance of robot hands and the stiffness of the environment that surrounds an object. We view hand compliance as an enabler for local adaptability in the grasping process that does not require explicit reasoning or planning. As a result, we study compliance-aware algorithms to synthesize grasps. Exploiting hand compliance also simplifies perception, since precise geometric object models are not needed. Complementary to hand compliance is the idea of exploiting the stiffness of the environment. In real-world scenarios, objects never occur in isolation. They are situated in an environmental context: on a table, in a shelf, inside a drawer, etc. Robotic grasp strategies can benefit from contact with the environment by pulling objects to edges, pushing them against surfaces etc. We call this principle the exploitation of environmental constraints. We present grasp planning algorithms which detect and sequence environmental constraint exploitations. We study the two ideas by focusing on the relationships between the three main constituents of the grasping problem: hand, object, and environment. We show that the interactions between adaptable hands and objects lend themselves to low-dimensional grasp actions. Based on this insight, we devise two grasp planning algorithms which map compliance modes to raw sensor signals using minimal prior knowledge. Next, we focus on the interactions between hand and environment. We show that contacting the environment can improve success in motion and grasping tasks. We conclude our investigations by considering interactions between all three factors: hand, object, and environment. We extend our grasping approach to select the most appropriate environmental constraint exploitation based on the shape of an object. Finally, we consider simple manipulation tasks that require individual finger movements. Although compliant hands pose challenges due to the difficulty in modeling and limitations in sensing, we propose an approach to learn feedback control strategies that solve these tasks. We evaluate all algorithms presented in this thesis in extensive real-world experiments, compare their assumptions and discuss limitations. The investigations and planning algorithms show that exploiting compliance in hands and stiffness in the environment leads to improved grasp performance.
Greifen ist eine fundamentale Fähigkeit, die jedes autonome System beherrschen muss, welches die physikalische Welt verändern will. Die Komplexität des robotischen Greifens entspringt dem Umstand, dass jede Lösung eine Vielzahl an unterschiedlichen Komponenten enthält: den Handmechnismus, seine Regelung, die Wahrnehmung der Umwelt und Bewegungsplanung. Sie alle beeinflussen den Erfolg eines Griffs. Obwohl Greiflösungen in wohldefinierten Industrieanwendungen existieren, ist das generelle Greifproblem in unstrukturierten Umgebungen noch immer ungelöst. Diese Dissertation stellt Greifplanungsalgorithmen vor, die zwei allgemeine Eigenschaften ausnutzen: die Nachgiebigkeit von Roboterhänden und die Einbeziehung der Umgebung eines Objekts. Wir betrachten Nachgiebigkeit als einen Wegbereiter für die lokale Anpassungsfähigkeit der Hand im Greifprozess, die keinerlei logisches Denken oder Planung benötigt. Darauf aufbauend präsentieren wir Greifplanungsalgorithmen, die die Nachgiebigkeit einer Hand explizit berücksichtigen. Dies erleichtert auch das Wahrnehmungsproblem, da nun keine akkuraten geometrischen Modelle des Objekts notwendig sind. Komplementär zur Nachgiebigkeit der Hand steht die Idee, die Festigkeit der Umgebung für das Greifen auszunutzen. In menschlichen Lebenswelten treten Objekte nie isoliert auf. Stattdessen sind sie in einem Umgebungskontext eingebettet: Sie befinden sich auf Tischen, in Regalen, Schubladen, usw.Robotische Greifstrategien können davon profitieren, indem sie Objekte an Kanten ziehen, gegen Oberflächen drücken, usw. Wir nennen diese Prinzip die \emph{Ausnutzung von Beschränkungen durch die Umgebung}. Wir stellen Greifplanungsalgorithmen vor, die auf der Sequenzierung von umgebungsausnutzenden Bewegungen basieren. Wir studieren diese beiden Ideen, indem wir uns auf die Beziehungen der Hauptbestandteile des Greifproblems konzentrieren: Hand, Objekt und Umwelt. Wir zeigen, dass die Interaktionen zwischen nachgiebigen Händen und Objekten sich für eine niedrigdimensionale Greifbeschreibung eignen. Auf dieser Einsicht aufbauend, entwickeln wir zwei Algorithmen, die mit minimalem Vorwissen passende Greifstrategien auf der Basis von visuellen Sensordaten auswählen. Anschließend widmen wir uns den Interaktionen zwischen Hand und Umwelt. Wir zeigen, dass Kontakt mit der Umgebung die Erfolgsrate bei Bewegungs- und Greifproblemen erhöhen kann. Unsere finalen Untersuchungen betreffen die Interaktionen zwischen allen drei Faktoren: Hand, Objekt und Umwelt. Wir erweitern unseren Ansatz, indem wir die beste Greifstrategie zur Ausnutzung der Umgebung aufgrund der Formeigenschaft eines Objekts auswählen. Im letzten Abschnitt betrachten wir einfache Manipulationsaufgaben, die die gezielte Bewegung einzelner Fingerglieder verlangt. In diesem Fall stellen nachgiebiege Hände eine Herausforderung dar, da ihre Effekte schwer zu modellieren sind und ihre Sensorik eingeschränkt ist. Wir stellen eine Methode vor, die trotz dieser Hindernisse Regler lernt, die einfache Manipulationsaufgaben lösen können. Alle vorgestellten Algorithmen in dieser Dissertation werden ausführlich auf echten Robotersystemen evaluiert. Wir vergleichen ihre Annahmen und diskutieren Limitierungen. Unsere Untersuchungen und Planungsalgorithmen zeigen, dass die Ausnutzung von Nachgiebigkeit in Händen und Festigkeit in der Umgebung zu erfolgreicherem Greifen führt.
URI: https://depositonce.tu-berlin.de/handle/11303/9884
http://dx.doi.org/10.14279/depositonce-8896
Exam Date: 6-Sep-2018
Issue Date: 2019
Date Available: 4-Sep-2019
DDC Class: 000 Informatik, Informationswissenschaft, allgemeine Werke
Subject(s): robotics
grasping
manipulation
planning
learning
Robotik
Greifen
Manipulation
Planung
Lernen
License: https://creativecommons.org/licenses/by/4.0/
Appears in Collections:FG Robotics » Publications

Files in This Item:
File Description SizeFormat 
eppner_clemens.pdf19.74 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons