mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2023-11-1-18-30mireabulletin-611Research ArticleРОБОТИЗИРОВАННЫЕ КОМПЛЕКСЫ И СИСТЕМЫ. ТЕХНОЛОГИИ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯMULTIPLE ROBOTS (ROBOTIC CENTERS) AND SYSTEMS. REMOTE SENSING AND NON-DESTRUCTIVE TESTINGНепрерывный генетический алгоритм в задаче захвата манипуляционным роботом объекта априорно неизвестной формыContinuous genetic algorithm for grasping an object of a priori unknown shape by a robotic manipulatorhttps://orcid.org/0000-0003-4688-9346ВоронковА. Д.VoronkovA. D.

Воронков Андрей Дадашевич, аспирант кафедры проблем управления Института искусственного интеллекта

119454, Москва, пр-т Вернадского, д. 78

Andrey D. Voronkov, Postgraduate Student, Department of Control Problems, Institute of Artificial Intelligence

78, Vernadskogo pr., Moscow, 119454

a.voronkov.rtu@yandex.ruhttps://orcid.org/0000-0002-8690-6422ДианеС. А.K.DianeS. A.K.

Диане Секу Абдель Кадер, к.т.н., доцент кафедры проблем управления Института искусственного интеллекта

119454, Москва, пр-т Вернадского, д. 78

Scopus Author ID 57188548666

ResearcherID T-5560-2017

Sekou A.K. Diane, Cand. Sci. (Eng.), Assistant Professor, Department of Control Problems, Institute of Artificial Intelligence

78, Vernadskogo pr., Moscow, 119454

Scopus Author ID 57188548666

ResearcherID T-5560-2017

 

ФГБОУ ВО «МИРЭА – Российский технологический университет»РоссияMIREA – Russian Technological UniversityRussian Federation2023020220231111830Copyright © Воронков А.Д., Диане С.А., 20232023Воронков А.Д., Диане С.А.Voronkov A.D., Diane S.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/611

Цели. Задача взаимодействия манипуляционного робота с априорно неизвестными объектами рабочей области представляет большой интерес для научного сообщества и множества отраслей. Решение этой задачи позволит сократить время адаптации робота к новым средам и объектам в них. Один из главных этапов взаимодействия манипуляционного робота с объектами сцены – поиск целевого положения захватного устройства на основе бортовой сенсорной подсистемы – может быть осуществлен рядом методов. Методы, связанные с технологиями машинного обучения и самообучения, могут быть неподходящими для некоторых областей применения (например, во время аварийно-спасательных работ), когда требуется быстро осуществить поиск целевого положения захватного устройства для априорно неизвестного объекта, информации о котором нет в базе данных робота. Поэтому для этой задачи представляются применимыми эвристические подходы, например, генетический алгоритм. Целями работы являются реализация поиска целевого положения захватного устройства с избеганием столкновений на основе непрерывного генетического алгоритма и исследование его работоспособности в условиях виртуального моделирования.Методы. Использован эвристический алгоритм поиска – непрерывный генетический алгоритм. В комплексном алгоритме анализа сцены использованы классические методы обработки изображения. Использовано виртуальное моделирование для оценки эффективности алгоритма.Результаты. В работе рассмотрена возможность применения непрерывного генетического алгоритма в задаче захвата объекта априорно неизвестной формы с избеганием столкновений с другими объектами статической сцены. Представлен комплексный алгоритм анализа сцены и реализация непрерывного генетического алгоритма для решения задачи поиска целевого положения захватного устройства робота избыточной кинематики Kuka LBR iiwa 7 R800. Проведены эксперименты и приведены результаты виртуального моделирования полученного алгоритма.Выводы. Проведенное исследование позволяет утверждать, что непрерывный генетический алгоритм достаточно эффективен в задачах поиска целевого положения захватного устройства манипуляционного робота при условиях, когда статическая сцена представляет собой хаотично расположенные объекты разной формы.

Objectives

Objectives. The problem of providing the interaction of a robotic manipulator with a priori unknown objects in a given workspace is of great interest both to the research community and many industries. By developing a solution to this problem, it will be possible to reduce the time taken for robots to adapt to new environments and objects therein. One of the primary stages of providing the interaction of the robotic manipulator with objects is the search for the target position of the robot gripper based on the onboard sensor subsystem, which can be carried out by a number of methods. Methods associated with machine learning and self-learning technologies may not be suitable for some applications (for example, during rescue operations) when it is necessary to quickly search for the target position of the gripper for an a priori unknown object, about which there is no relevant information in the robot database. Therefore, for this problem, heuristic approaches – for example, genetic algorithms – seem to be applicable. The objectives of this work are to implement a search based on a continuous genetic algorithm for the target position of the robot gripper including collision avoidance and study its performance under virtual simulation.

Methods

Methods. A heuristic search algorithm (continuous genetic algorithm) is used. The complex scene analysis algorithm uses classical image processing methods. In order to evaluate the effectiveness of the algorithm, virtual simulation is used.

Results

Results. The possibility of using a continuous genetic algorithm is analyzed in the problem of grasping an object of an a priori unknown shape avoiding collisions with other objects of a static scene. A complex scene analysis algorithm and implementation of a continuous genetic algorithm are presented for finding the target position of the gripper of a Kuka LBR iiwa 7 R800 robotic control system with redundant kinematics. The results of an experimental virtual simulation of the obtained algorithm are presented.

Conclusions

Conclusions. The conducted research demonstrates the effectiveness of the continuous genetic algorithm in obtaining the target position of the gripper of the robotic manipulator under conditions when the static scene represents randomly located objects of various shapes.

непрерывный генетический алгоритмзахват объектов неизвестной формыпозиционирование захватного устройстваизбегание столкновенийманипуляционный роботcontinuous genetic algorithmgrasping of objects of unknown shapepositioning of grippercollision avoidancerobotic manipulatorReferencesLei Q., Wisse M. Fast grasping of unknown objects using cylinder searching on a single point cloud. In: Ninth International Conference on Machine Vision (ICMV 2016). 2016. V. 10341. https://doi.org/10.1117/12.2268422Lei Q., Wisse M. Fast grasping of unknown objects using cylinder searching on a single point cloud. In: Ninth International Conference on Machine Vision (ICMV 2016). 2016. V. 10341. https://doi.org/10.1117/12.2268422Sundermeyer M., Mousavian A., Triebel R., Fox D. Contact-GraspNet: efficient 6-DoF grasp generation in cluttered scenes. arXiv [Preprint]. 2021. 7 p. Available from URL: https://arxiv.org/abs/2103.14127Sundermeyer M., Mousavian A., Triebel R., Fox D. Contact-GraspNet: efficient 6-DoF grasp generation in cluttered scenes. arXiv [Preprint]. 2021. 7 p. Available from URL: https://arxiv.org/abs/2103.14127Breyer M., Chung J., Ott L., Siegwart R., Nieto J. Volumetric grasping network: Real-time 6 DOF grasp detection in clutter. In: 4th Conference on Robot Learning (CoRL 2020). P. 1602–1611. Available from URL: https://proceedings.mlr.press/v155/breyer21a/breyer21a.pdfBreyer M., Chung J., Ott L., Siegwart R., Nieto J. Volumetric grasping network: Real-time 6 DOF grasp detection in clutter. In: 4th Conference on Robot Learning (CoRL 2020). P. 1602–1611. Available from URL: https://proceedings.mlr.press/v155/breyer21a/breyer21a.pdfLippiello V., Ruggiero F., Siciliano B., Luigi V. Visual grasp planning for unknown objects using a multifingered robotic hand. IEEE/ASME Transactions on Mechatronics. 2013;18(3):1050–1059. https://doi.org/10.1109/TMECH.2012.2195500Lippiello V., Ruggiero F., Siciliano B., Luigi V. Visual grasp planning for unknown objects using a multifingered robotic hand. IEEE/ASME Transactions on Mechatronics. 2013;18(3):1050–1059. https://doi.org/10.1109/TMECH.2012.2195500Lei Q., Meijer J., Wisse M. A survey of unknown object grasping and our fast grasping algorithm-C shape grasping. In: 2017 3rd International Conference on Control, Automation and Robotics (ICCAR). P. 150–157. https://doi.org/10.1109/ICCAR.2017.7942677Lei Q., Meijer J., Wisse M. A survey of unknown object grasping and our fast grasping algorithm-C shape grasping. In: 2017 3rd International Conference on Control, Automation and Robotics (ICCAR). P. 150–157. https://doi.org/10.1109/ICCAR.2017.7942677Back S., Lee J., Kim T., Noh S., Kang R., Bak S., Lee K. Unseen object amodal instance segmentation via hierarchical occlusion modeling. arXiv [Preprint]. 2021. 8 p. Available from URL: https://arxiv.org/abs/2109.11103Back S., Lee J., Kim T., Noh S., Kang R., Bak S., Lee K. Unseen object amodal instance segmentation via hierarchical occlusion modeling. arXiv [Preprint]. 2021. 8 p. Available from URL: https://arxiv.org/abs/2109.11103Abhijit M., Federico T., Perez-Gracia A. Grasping unknown objects in clutter by superquadric representation. In: 2018 Second IEEE International Conference on Robotic Computing (IRC). P. 292–299. https://doi.org/10.1109/IRC.2018.00062Abhijit M., Federico T., Perez-Gracia A. Grasping unknown objects in clutter by superquadric representation. In: 2018 Second IEEE International Conference on Robotic Computing (IRC). P. 292–299. https://doi.org/10.1109/IRC.2018.00062Miller A., Knoop S., Christensen H., Allen P. Automatic grasp planning using shape primitives. In: Proceedings of the 2003 IEEE International Conference on Robotics and Automation. P. 1824–1829. https://doi.org/10.1109/ROBOT.2003.1241860Miller A., Knoop S., Christensen H., Allen P. Automatic grasp planning using shape primitives. In: Proceedings of the 2003 IEEE International Conference on Robotics and Automation. P. 1824–1829. https://doi.org/10.1109/ROBOT.2003.1241860Firman M., Aodha O., Julier S., Gabriel J. Structured prediction of unobserved voxels from a single depth image. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). P. 5431–5440. https://doi.org/10.1109/CVPR.2016.586Firman M., Aodha O., Julier S., Gabriel J. Structured prediction of unobserved voxels from a single depth image. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). P. 5431–5440. https://doi.org/10.1109/CVPR.2016.586Гридин В.Н., Солодовников В.И. Непрерывный генетический алгоритм предобработки данных осуществляющий поиск коэффициентов аппроксимирующей функции. Новые информационные технологии в автоматизированных системах. 2018;21:302–306.Gridin V.N., Solodovnikov V.I. A continuous genetic data preprocessing algorithm searching coefficients of the approximating function. Novye informatsionnye tekhnologii v avtomatizirovannykh sistemakh = New Information Technologies in Automated Systems. 2018;21:302–306 (in Russ.)Rossi C., Abderrahim M., Diaz J. EvoPose: A modelbased pose estimation algorithm with correspondences determination. 2005 IEEE International Conference Mechatronics and Automation. V. 3. P. 1551–1556. https://doi.org/10.1109/ICMA.2005.1626786Rossi C., Abderrahim M., Diaz J. EvoPose: A modelbased pose estimation algorithm with correspondences determination. 2005 IEEE International Conference Mechatronics and Automation. V. 3. P. 1551–1556. https://doi.org/10.1109/ICMA.2005.1626786Jabalameli A., Behal A. From single 2D depth image to gripper 6D pose estimation: A fast and robust algorithm for grabbing objects in cluttered scenes. Robotics. 2019;8(3):63. https://doi.org/10.3390/robotics8030063Jabalameli A., Behal A. From single 2D depth image to gripper 6D pose estimation: A fast and robust algorithm for grabbing objects in cluttered scenes. Robotics. 2019;8(3):63. https://doi.org/10.3390/robotics8030063Xiang Y., Xie C., Mousavian A., Fox D. Learning RGB-D feature embeddings for unseen object instance segmentation. In: 4th Conference on Robot Learning (CoRL 2020). P. 461–470. Available from URL: https://proceedings.mlr.press/v155/xiang21a/xiang21a.pdfXiang Y., Xie C., Mousavian A., Fox D. Learning RGB-D feature embeddings for unseen object instance segmentation. In: 4th Conference on Robot Learning (CoRL 2020). P. 461–470. Available from URL: https://proceedings.mlr.press/v155/xiang21a/xiang21a.pdfRonneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical Image Computing and Computer-Assisted Intervention. 2015. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical Image Computing and Computer-Assisted Intervention. 2015. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28Dune C., Marchand E., Collowet C., Leroux C. Active rough shape estimation of unknown objects. In: 2008 IEEE/RSJ International Conference on Intelligent Robots and Systems. P. 3622–3627. https://doi.org/10.1109/IROS.2008.4651005Dune C., Marchand E., Collowet C., Leroux C. Active rough shape estimation of unknown objects. In: 2008 IEEE/RSJ International Conference on Intelligent Robots and Systems. P. 3622–3627. https://doi.org/10.1109/IROS.2008.4651005

The authors declare that there are no conflicts of interest present.