Непрерывный генетический алгоритм в задаче захвата манипуляционным роботом объекта априорно неизвестной формы

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.

1. Lei 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/10.1117/12.2268422

2. Sundermeyer 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/2103.14127

3. Breyer 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.pdf

4. Lippiello 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.2012.2195500

5. Lei 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.2017.7942677

6. Back 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/2109.11103

7. Abhijit 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.2018.00062

8. Miller 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.2003.1241860

9. Firman 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.2016.586

10. Гридин 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.

11. 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.2005.1626786

12. Jabalameli 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/robotics8030063

13. Xiang 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.pdf

14. Ronneberger 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_28

15. Dune 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