Grasp-TAGS: 비음성적 로코-매니퓰레이션을 위한 크리틱 증류를 통한 태스크 인식 그립 선택

로코-매니퓰레이션(Loco-manipulation)은 이동식 매니퓰레이터가 장시간에 걸쳐 보행과 조작을 협응해야 하는 기술이며, 서비스 로봇공학이나 창고 자동화와 같은 응용 분야에서 대형 물체 재배치에 핵심적인 역량입니다. 최근의 발전에도 불구하고, 성능이 복잡한 로봇-물체 및 물체-환경 상호작용 동역학에 의존하기 때문에 이러한 작업을 안정적으로 실행하는 것은 여전히 어렵습니다. 기존 접근 방식들은 정확한 동역학 모델을 요구하는 모델 기반 방법(model-based methods)을 사용하거나, 이 요구사항을 줄이지만 일반적으로 고정되거나 미리 정의된 초기 그립을 가정하는 학습 기반 방법(learning-based methods)을 사용합니다. 하지만, 기하학적으로 안정적인 여러 그립들은 상당히 다른 다운스트림 조작 성능을 초래할 수 있습니다. 따라서 우리는 목표 조건이 부여된 대형 물체 재배치를 위한 태스크 인식 그립 선택 프레임워크인 Grasp-TAGS를 제안합니다. 우리는 여러 초기 그립 구성을 가로질러 통합된 PPO 기반 강화학습(PPO-based reinforcement learning) 정책을 훈련하고, 학습된 크리틱(critic)을 경량 그립 유틸리티 네트워크(lightweight grasp utility network)로 증류하여 후보 그립들을 오직 후보 그립 구성과 목표 정보만을 사용하여 순위화합니다. 추론 시점에는 접촉을 하기 전이라도 다운스트림 정책이 작업을 완료하는 데 가장 높은 예측된 다운스트림 유틸리티를 가진 그립을 선택합니다. 실험 결과, Grasp-TAGS는 고정된 단일 그립 정책 및 무작위 그립 선택 방식 모두보다 재배치 성공률을 향상시켜 평균 89.84%의 성공률을 달성했으며, 이는 최고 성능의 단일 그립 정책 대비 79.87%로 9.97 퍼센트 포인트의 개선입니다. 또한 Grasp-TAGS는 평가된 모든 물체에 걸쳐 최종 방향 오차를 줄여줍니다. 더 질적인 결과는 보조 웹페이지(https://rpm-lab-umn.github.io/Grasp-TAGS-web-page/)를 참조하십시오.