Loading…
Thumbnail Image

Motion generation with contact-based environmental constraints

Páll, Előd

Motion planning is a computational problem of finding robot motions between start and goal states so that a robot avoids collision with obstacles. This is a non-trivial problem because of the high dimensionality of the search space. The problem becomes even more challenging under realistic assumptions: Real-life robots’ sensing and motion capabilities are inherently inaccurate. The accumulation of inaccuracies can lead to failure during the execution of a motion plan. Therefore, a planner must reason about uncertainty to avoid execution failure. It can search for actions unaffected by uncertainty, which are frequently a needle in a haystack, or it can augment uncertain states with sensor measurements, which requires reasoning about sensing. The thesis contributes conceptual and algorithmic approaches to efficiently reduce state uncertainties in motion planning problems resulting from perception and motion inaccuracies. We reduce uncertainty with "collision-exploiting" motions that conflict with traditional "collision-free" planning. This conflict raises several challenges, such as collision-exploiting motion requires frequent collision checking, which is an expensive computational operation, and reasoning about contact states or contact sensing further increases an already high-dimensional problem space. We tackle these and other related challenges by representing the state space using the Environmental Constraint (EC) concept. The Environmental Constraint concept was introduced in the context of human grasping experiments. Deimel et al. (2016) have proven that humans deliberately increase contact with their environment when their vision is experimentally blurred to achieve robust grasping. Roboticists have shown that contact with the environment reduces uncertainty and simplifies grasping (Odhner et al., 2013; Eppner and Brock, 2015; Hang et al., 2019). This thesis builds on these findings and further advances the EC-based manipulation and motion planning field. In the first part, we introduce sampling-based motion planning and apply EC exploitation in high-dimensional planning problems by devising multiple contact-based configuration-space motion planning algorithms. One planner leverages an EC-based decomposition of the workspace to avoid exploring task-irrelevant regions. Another planner detects deviations using contact events to reduce large amounts of state uncertainty. We evaluated all planners in simulation and one planner with real-robot experiments. The results show that our algorithms generalize to high-dimensional problems and handle increased state uncertainty. In the second part, we characterize a new environmental constraint manifesting in piles of objects and show that the novel EC provides similar beneficial effects as static parts of the environment, simplifying grasping from piles of objects. We empirically study human-like grasping from piles of objects with a robotic hand. The interaction between the hand, objects, and the environment produces patterns in interaction forces. These force patterns constrain objects’ motion and reduce uncertainty mechanically. We show that these force patterns are consistent in regions of the workspace, and changes in the force patterns produce detectable contact events. Our real-robot experiments show that grasping and planning become substantially simpler when using these effects. The third and final part discusses the practical application of EC exploitation in a robotic system. We present the Soft Manipulation System devised for integrating and evaluating concepts and technologies developed by a consortium of academics and industrial partners. Our tightly integrated but modular system design enabled EC exploitation with various hardware components. We conclude the thesis by proposing an EC-based problem factorization for manipulation and motion planning problems by blurring the boundaries between control, perception, and planning; and shifting manipulation responsibilities from these components to the environment.
Die Bewegungsplanung ist ein Berechnungsproblem, bei dem es darum geht, Roboterbewegungen zwischen Start- und Zielzustand zu finden, sodass ein Roboter Kollisionen mit Hindernissen vermeidet. Dies ist ein nicht-triviales Problem aufgrund der hohen Dimensionalität des Suchraums. Unter realistischen Annahmen wird das Problem noch schwieriger: Die Wahrnehmungs- und Bewegungsfähigkeiten von Robotern im realen Leben sind von Natur aus ungenau. Diese Anhäufung von Ungenauigkeiten kann zu Fehlern bei der Ausführung eines Bewegungsplans führen. Daher muss ein Planer Unsicherheit in seinen Planungsprozess miteinbeziehen, um Ausführungsfehler zu vermeiden. Er kann nach Aktionen suchen, die nicht von der Ungewissheit betroffen sind, was häufig eine Nadel im Heuhaufen ist, oder er kann unsichere Zustände mit Sensormessungen ergänzen, was jedoch ebenfalls erfordert, dass Messvorgänge im Planungsprozess miteinbezogen werden. In dieser Arbeit werden konzeptionelle und algorithmische Ansätze zur effizienten Reduzierung von Zustandsunsicherheiten in Bewegungsplanungsproblemen vorgestellt, die aus Wahrnehmungs- und Bewegungsungenauigkeiten resultieren. Wir reduzieren die Unsicherheit mit "kollisionsausnutzenden" Bewegungen, die mit der traditionellen "kollisionsfreien" Planung in Konŕikt stehen. Dieser Konŕikt wirft mehrere Herausforderungen auf, wie z.B. die Tatsache, dass kollisionsausnutzende Bewegungen häufige Kollisionsprüfungen erfordern, was eine aufwändige Rechenoperation ist, und dass die Schlussfolgerungen über Kontaktzustände oder Kontaktwahrnehmung einen bereits hochdimensionalen Problemraum weiter vergrößern. Wir gehen diese und andere damit verbundene Herausforderungen an, indem wir den Zustandsraum mit Hilfe des Environmental Constraint (EC) Konzepts darstellen. Das Environmental Constraint-Konzept wurde im Zusammenhang mit Experimenten zum menschlichen Greifen eingeführt. Deimel et al. (2016) haben bewiesen, dass Menschen bewusst mehr Kontakt mit ihrer Umgebung erzeugen, wenn ihre Sicht experimentell unscharf gemacht wird, um ein robustes Greifen zu erreichen. Robotiker haben gezeigt, dass der Kontakt mit der Umgebung die Unsicherheit reduziert und das Greifen vereinfacht (Odhner et al., 2013; Eppner and Brock, 2015; Hang et al., 2019). Die vorliegende Arbeit baut auf diesen Erkenntnissen auf und bringt das Gebiet der EC-basierten Manipulation und Bewegungsplanung weiter voran. Im ersten Teil stellen wir stochastische Bewegungsplanung vor und wenden die EC-Nutzung, indem wir zwei kontaktbasierte Konfigurationsraum-Bewegungsplanungsalgorithmen entwickeln. Ein Planer nutzt eine EC-basierte Dekomposition des Arbeitsraums, um die Erkundung aufgabenirrelevanter Regionen zu vermeiden. Ein anderer Planer erkennt Abweichungen anhand von Kontaktereignissen, um große Mengen an Zustandsunsicherheit zu reduzieren. Wir haben beide Planer in Simulationen und einen Planer auch in Experimenten mit realen Robotern evaluiert. Die Ergebnisse zeigen, dass unsere Algorithmen auf hochdimensionale Probleme verallgemeinert werden können und mit erhöhter Zustandsunsicherheit umgehen können. Im zweiten Teil identifizieren wir die vorteilhaften Auswirkungen der Ausnutzung von Environmental Constraints auf das Greifen und zeigen, dass diese Effekte das Greifen von Objekten aus Objekthaufen vereinfachen. Wir untersuchen empirisch das menschenähnliche Greifen aus Objekthaufen mit einer Roboterhand. Die Interaktion zwischen der Hand, den Objekten und der Umgebung erzeugt Muster in den Interaktionskräften. Diese Kraftmuster schränken die Bewegung von Objekten ein und reduzieren Unsicherheit auf mechanische Art. Wir zeigen, dass diese Kraftmuster in bestimmten Bereichen des Arbeitsraums konsistent sind und dass änderungen in den Kraftmustern zu erkennbaren Kontaktereignissen führen. Unsere Experimente mit realen Robotern zeigen, dass das Greifen wesentlich einfacher wird, wenn diese Effekte genutzt werden. Der dritte und letzte Teil befasst sich mit der praktischen Anwendung der ECAusnutzung in einem Robotersystem. Wir stellen den Soft Manipulation Planner vor, der für die Integration und Bewertung von Konzepten und Technologien entwickelt wurde, die von einem Konsortium aus Wissenschaftlern und Industriepartnern entwickelt wurden. Unser stark integriertes, aber modulares Systemdesign ermöglicht die Nutzung von EC mit verschiedenen Hardwarekomponenten. Zum Abschluss der Arbeit schlagen wir eine neu EC-basierte Problemfaktorisierung für Manipulationsund Bewegungsplanungsprobleme vor, indem sie die Grenzen zwischen Steuerung, Wahrnehmung und Planung verwischt und die Verantwortung für die Manipulation von diesen Komponenten auf die Umgebung verlagert.