2025 IEEE International Conference on Systems, Man, and Cybernetics (SMC)

그리핑 및 조작은 실제 응용 분야에서 로봇 시스템을 효과적으로 배치하는 데 있어 근본적인 과제로 남아 있다. 소매 및 슈퍼마켓 시나리오에서 연성 로봇 그리퍼는 안전하고 효율적인 물류 취급을 가능하게 한다. 그러나 기존의 그리핑 플래너는 강체 또는 흡입식 그리퍼를 대상으로 설계되어 있다. 연성 그리핑은 목표물과 접촉 시 그리퍼 재료의 변형으로 인해 계획, 추정 및 센싱 측면에서 더욱 어려운 과제를 제시한다. 우리는 재구성 가능한 손목을 갖춘 맞춤형 그리퍼를 사용하고, reinforcement learning을 활용하여 기존의 vision‑based techniques를 보강함으로써 목표 물체의 형상에 적응하는 연성 로봇 그리핑 시스템을 제시한다. 이 시스템은 그리퍼 손바닥 구성을 안내하기 위한 hidden superquadrics 모듈을 포함한다. 우리는 이 시스템을 PyBullet 시뮬레이션 환경에서 평가하고, baseline synergy‑based grasp strategy와 비교한다. 진행 중인 작업 및 향후 연구는 이 플래너를 물리적 로봇 플랫폼으로 이전하고, 소매점에서 평가하는 것을 포함한다.

PyBullet 시뮬레이터에서는 각 손가락을 다섯 개의 링크와 네 개의 회전 조인트로 연결된 선형 체인으로 모델링한다. 시뮬레이션에 사용되는 케이블 길이 파라미터는 l1, l2, l3 ∈ [−0.4, 0]이며, 이는 Fig. 3에 나타난 바와 같다. 완전히 닫힌 손가락 구성에서는 손가락 길이 파라미터가 −0.4이고, 이 값이 네 개의 가상 회전 조인트 각각에 공급된다.

→ 그냥 쿨하게 강체로 취급해버림;;

위에서 기술한 모델링 파라미터를 이용하여, 맞춤형 연성 그리퍼를 사용한 그리핑 플래닝을 PyBullet 시뮬레이션 환경에서 강화학습 문제로 설정한다. 그리핑 플래닝 시스템의 개념도는 Fig. 5에 나타낸다. RGB‑D 카메라(예: Kinect 또는 RealSense)로부터의 입력은 기존 비전 기반 그리핑 플래너에 전달된다. 본 연구에서는 Contact‑GraspNet [3]을 사용하여 6‑D 그리핑 자세 후보를 생성하며, 이는 손목 자세로 표현될 수 있다. 가장 높은 그리핑 품질 점수를 가진 후보는 손목 위치 xw와 손목 방향 Rw 형태로 RL 모델에 입력된다. 동시에, 동일한 RGB‑D 이미지는 부분 포인트 클라우드로 처리되어 hidden superquadric 복원 알고리즘 [9]에 입력으로 제공된다. Superquadrics는 R3에서 구, 정육면체, 원통, 타원체와 같은 객체를 하나의 파라메트릭 형태로 표현할 수 있는 기하학적 형태 클래스이다. [9]의 형식에 따라, 이들은 암시적 함수 형태로 다음과 같이 기술될 수 있다: