A versatile robotic hand with 3D perception, force sensing for autonomous manipulation

📄 arXiv: 2402.06018v1 📥 PDF

作者: Nikolaus Correll, Dylan Kriegman, Stephen Otto, James Watson

分类: cs.RO

发布日期: 2024-02-08

备注: RSS Workshop on Perception and Manipulation Challenges for Warehouse Automation, Daejeon, Korea

💡 一句话要点

提出一种多功能机器人手以解决自主操控问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 机器人抓手 自主操控 力控制 三维感知 开源软件 任务规划 工业自动化

📋 核心要点

  1. 现有的机器人抓手在自主操控任务中往往缺乏灵活性和精确的力控制，限制了其应用范围。
  2. 本文提出了一种集成触觉和三维感知的力控抓手，配合完整的自主操控流程，提升了操控的灵活性和精确度。
  3. 实验结果表明，该系统在力控制和复杂操控任务中表现出色，能够实现高达32N的力控制，且具有良好的重规划能力。

📝 摘要（中文）

本文描述了一种具有内置触觉和三维感知的力控机器人抓手，并提出了一个完整的自主操控流程，包括物体检测、分割、点云处理、力控操控和符号（重新）规划。设计强调了在应用、可制造性、商业现成部件的使用和开源软件方面的多样性。通过对力控（可达32N，步进0.08N可控）、力测量以及两个操控演示（西门子齿轮组装问题和需要重新规划的基于传感器的堆叠任务）进行验证，展示了长序列基于传感器的操控任务的稳健执行，使得该平台成为任务与运动规划、教育和家庭、工业及仓库自动化任务快速原型开发的坚实基础。

🔬 方法详解

问题定义：本文旨在解决现有机器人抓手在自主操控任务中的灵活性不足和力控制精度低的问题。现有方法往往无法有效应对复杂的操控场景，导致任务执行失败或效率低下。

核心思路：论文提出了一种新型的力控机器人抓手，结合了触觉反馈和三维感知能力，能够在多种操控任务中实现精确的力控制和灵活的操作。设计上强调了使用商业现成部件和开源软件，以降低成本和提高可制造性。

技术框架：整体架构包括物体检测、分割、点云处理、力控操控和符号（重新）规划五个主要模块。首先通过传感器获取环境信息，然后进行物体识别和分割，接着处理点云数据以获取物体的三维信息，最后进行力控操控和任务规划。

关键创新：最重要的技术创新在于将力控与三维感知相结合，使得机器人能够在复杂环境中进行自主操控。这种设计与传统的单一感知或控制方法有本质区别，显著提升了操控的灵活性和精确性。

关键设计：在力控方面，系统能够实现高达32N的力输出，且可控步进为0.08N。使用了先进的传感器技术来实现精准的力测量，并在算法设计上采用了符号规划方法，以支持动态任务重规划。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，该机器人抓手在力控制方面能够达到32N的输出，并且在执行复杂操控任务时表现出色，成功完成了西门子齿轮组装和基于传感器的堆叠任务，展示了其在长序列操控任务中的稳健性和高效性。

🎯 应用场景

该研究的潜在应用领域包括家庭自动化、工业生产线和仓库管理等。通过提供高效的自主操控能力，该机器人手能够在多种场景中执行复杂的操作任务，提升工作效率和安全性。未来，随着技术的进一步发展，该系统有望在更多领域实现广泛应用。

📄 摘要（原文）

We describe a force-controlled robotic gripper with built-in tactile and 3D perception. We also describe a complete autonomous manipulation pipeline consisting of object detection, segmentation, point cloud processing, force-controlled manipulation, and symbolic (re)-planning. The design emphasizes versatility in terms of applications, manufacturability, use of commercial off-the-shelf parts, and open-source software. We validate the design by characterizing force control (achieving up to 32N, controllable in steps of 0.08N), force measurement, and two manipulation demonstrations: assembly of the Siemens gear assembly problem, and a sensor-based stacking task requiring replanning. These demonstrate robust execution of long sequences of sensor-based manipulation tasks, which makes the resulting platform a solid foundation for researchers in task-and-motion planning, educators, and quick prototyping of household, industrial and warehouse automation tasks.