Loading…
Robust motion generation for mobile manipulation — integrating control and planning under uncertainty
Sieverling, Arne
This thesis contributes to algorithmic approaches for the motion generation problem for mobile manipulators. This problem is unsolved in unstructured environments, where the robot does not have access to precise models but must infer the state of the world with its sensors. The challenges for motion generation in these problems arise from the uncertainty prevalent in real world sensors, the different modalities that need to be considered, and real time constraints. Our approach in this thesis is to combine local feedback control with global planning under uncertainty to solve three different applications in manipulation.
In the first part of this thesis we show the feasibility of a feedback-driven approach on a real world manipulation problem. We present an autonomous mobile manipulation system for bin picking. This system was an entry in the ``Amazon Picking Challenge'', where it outperformed 25 contenders. We evaluate strength and weaknesses of feedback and planning-based methods by comparing our system to others.
In the second part, we review planning-based approaches, using sampling to efficiently search high-dimensional spaces. We present a novel planner for motion that exploits contact to reduce uncertainty. We propose a particle-based uncertainty model and search the combined space of configurations in free space and in contact. Our experiments show that our planners strategies are more robust strategies than solutions of traditional sampling-based planners because of the use of contact to reduce uncertainty. We extend this planner with a model for tactile feedback which allows it to localize objects just using the signal of contact sensors.
In the third part, we discuss the continuous integration of sensor data into plans. To move efficiently in unstructured environments, robots must continuously adapt their plans in response to sensor data. We review trajectory optimization as a tool for path adaptation. We propose a novel approach to sensor-based motion generation based on a factorization in three tasks: 1) continuous path adaption, 2) continuous local planning of new motion alternatives 3) global planning with a model of an uncertain environment. This factorization allows us to generate robust motion in initially completely unknown environments with dynamic obstacles. In addition, we introduce an online learning method for manipulation control based on multi-modal sensors feedback. We conclude this thesis by combining all introduced techniques into a novel unifying framework for motion generation.
Inhalt dieser Arbeit ist ein neuer algorithmischer Ansatz zur effizienten Bewegungsgenerierung von mobilen Manipulatoren. Dieses Problem ist ungelöst in alltäglichen, unstrukturierten Umgebungen. In diesen Umgebungen hat der Roboter kein Zugriff auf exakte Modelle sondern muss Entscheidungen aufgrund seiner Sensordaten treffen. Die Schwierigkeit daran ist die Unsicherheit in den Daten. Unsicherheit erschwert das Planen von robuster Bewegung. Unser Ansatz vereint Planungs- und Regelungbasierte Methoden für drei verschiedene Manipulationsanwendungen.
Im ersten Teil der Arbeit stellen wir ein Fallbeispiel für ein Robotersystem welches haupts\"achlich auf lokaler, sensorbasierter Regelung beruht. Wir stellen einen autonomen mobilen Manipulator vor, der autonom bestimmte Objekte aus einem Lagerregal greift. Diese Aufgabe ist für die Intralogistik hochrelevant und wurde als internationaler Wettbewerb ``Amazon Picking Challenge'' ausgeschrieben. Unser regelungsbasierter Ansatz konnte sich gegen 25 internationale Teams durchsetzen. Wir vergleichen unser System zu den Lösungen anderer Teilnehmer um eine Überblick über die Stärken von regelbasierten und planungbasierten Ansätzen zu geben. Im Falle der ``Amazon Picking Challenge'' ist die Bewegung für eine bestimmte Aufgabe vorprogrammiert. In den weiteren Teilen der Arbeit stellen wir Ansätze vor, die ein Vielzahl von Aufgaben erledigen.
Im zweiten Teil der Arbeit betrachten wir Planungsbasierte Ansätze die mit Sampling-methoden effizient hochdimensionale Räume durchsuchen. Wir präsentieren einen neuartigen Planer für Manipulation mit Kontakt. Ein Roboter kann Kontakt mit der Umgebung herstellen um Unsicherheit zu reduzieren. Traditionelle Bahnplaner probieren jedoch Kontakt zu verhindern, da sie keine Unsicherheit in ihren Modellen betrachten. Unser Planer benutzt ein Partikel-basiertes Modell und durchsucht sowohl den freien Raum als auch den Raum der Konfigurationen in Kontakt. Wir zeigen in Experimenten, dass unser Planer robustere Strategien findet als Planer die Kontakt und Unsicherheit ignorieren. Eine weitere Variante dieses Planers erstellt Pläne, die taktile Sensoren ausnutzten um die Position von Objekten zu bestimmen.
Der dritte Teil der Arbeit beschäftigt sich mit der effizienten Integration von Sensordaten in Manipulationssysteme. Um sich in unstrukturierten Umgebungen fortzubewegen, müssen Roboter ihre Pläne effizient anhand von Sensordaten anpassen. Als wichtiges Werkzeug dazu besprechen wir die Pfadoptimierung. Wir betrachten danach einen neuartigen dreigeteilten Ansatz des Problems in 1. kontinuierliche Pfadoptimierung, 2. lokaler Planung von neuen Bewegungsalternativen, und 3. Planung unter Berücksichtigung einer unsicheren dynamischen Welt. Die Kombination dieser drei Ebenen erlaubt uns, Roboter in komplett unbekannten Umgebungen sicher zu manövrieren. Wir stellen außerdem vorläufige Ergebnisse zu einem lernbasierten Ansatz für sensorbasierte Manipulation vor. Wir vereinen alle neuen Konzepte in einer neuen Faktorisierung des Bewegungsgenerierungsproblems.
