Learning to grasp through Bayesian optimization for a service robot

Service robotics is a fast-developing sector. Though the majority of the applications still involve industrial automation, service robot are gaining acceptance in the field of personal assistance. Robust and versatile manipulation capabilities are demanded to robots meant for human-robot interaction in everyday life. An appealing opportunity to satisfy this requirement is to leverage machine learning algorithms to let the robot adapt its behavior to unknown scenarios, defining the best strategy for a grasping and manipulation task in a trial and error process. In parallel, the mechanical design of compliant end-effectors able to adapt to the environment targets the same goal. These grippers represent a clever solution to the problems that arise when using sensorized hands with a high number of actuated joints, which are expensive and difficult to control. This thesis addresses the problem of finding the best position and joint configuration for a compliant, under-actuated, sensorless manipulator to grasp an unforeseen object based on its RGB image and partial point cloud. The quality of the grasps is evaluated during the execution of a pouring task. A Bayesian approach to the problem of the optimization of a grasping strategy is proposed. In an iterative procedure, the algorithm fits a Gaussian process to the collected samples and exploits the optimized model to drive the exploration of the input space. The learning does not lean on simulation as it is accomplished directly on a PAL Robotics TIAGo, a mobile manipulator with a 7-degrees-of-freedom arm and an anthropomorphic underactuated hand. The robot is used as a development platform as well as to test the performance of the solution. The sampling efficiency of the data-driven learning is shown, compared to an evenly spaced grid sampling of the input space. In addition, the generalization capability of the optimized model is tested on a set of plastic bottles and other liquid containers.

La robotica di servizio è un settore in rapida espansione. Allo stato attuale la maggioranza delle applicazioni dei robot di servizio trova spazio in ambito industriale, ma essi stanno guadagnando consenso anche nel campo dell’assistenza personale. Ai robot destinati all’interazione uomo-robot sono richieste capacità di manipolazione robuste e versatili. Un’interessante possibilità per assolvere questa funzione è quella di sfruttare algoritmi di machine learning per permettere al robot di adattare il proprio comportamento anche in scenari non noti a priori, definendo autonomamente la migliore strategia per la presa e la manipolazione. Lo stesso obiettivo è perseguito tramite lo sviluppo di effettori finali costruiti per adattarsi all’ambiente con cui interagiscono. Avendo un limitato numero di giunti attuati, questi dispositivi semplificano inoltre il problema del controllo, rispetto a effettori in cui ciascun giunto è azionato in modo indipendente. Questa tesi propone un metodo per individuare la migliore posizione e configurazione dei giunti per una mano sotto-attuata e non sensorizzata, allo scopo di manipolare un oggetto, a partire dalla sua immagine RGB e da un’informazione parziale sulla sua nuvola di punti. Per valutare la qualità della presa, se ne testa l’utilizzo nell’azione di versare dell’acqua da una bottiglia. Un approccio Bayesiano al problema di ottimizzazione permette di definire il migliore insieme di parametri che definiscono la strategia di presa. L’algoritmo adatta un processo Gaussiano ai dati raccolti durante l’addestramento e sfrutta il modello aggiornato per guidare l’esplorazione del dominio. Il metodo proposto è testato su TIAGo, un manipolatore mobile con braccio a 7 gradi di libertà e mano antropomorfa sotto-attuata, prodotto da PAL Robotics. Il robot è utilizzato come piattaforma per lo sviluppo e per testare la performance della soluzione individuata. Il numero di campioni richiesti per individuare l’ottimo è confrontato con quello necessario al campionamento omogeneo del dominio, dimostrando l’efficienza del metodo. Inoltre, vengono mostrate le capacità di generalizzazione del modello ottimizzato, testandone l’efficacia nel manipolare alcune bottiglie in plastica e altri oggetti.