로봇 그립핑을 위한 루프 닫기: 실시간, 생성형 그립 합성 접근법

이 논문은 실시간이며 물체에 의존하지 않는 그립 합성 방법을 제안하며, 이는 폐루프 그립 제어에 활용될 수 있다. 본 연구에서 제안하는 생성형 그립 컨볼루션 신경망(GG-CNN)은 깊이 이미지의 각 픽셀에서 그립의 품질과 자세를 예측한다. 이 방식은 깊이 이미지에서 픽셀 하나에 하나의 그립을 매핑하는 일대일 관계를 통해, 기존의 딥러닝 기반 그립 기술에서 겪는 제한점을 극복한다. 구체적으로, 그립 후보를 이산적으로 샘플링하는 과정과 긴 계산 시간을 피함으로써 성능을 향상시킨다. 또한, 현재 최고 수준의 기술과 동등한 안정된 그립 탐지 성능을 유지하면서도, GG-CNN은 기존 기술 대비 수 주기 이상 작아져 매우 가볍고 효율적인 구조를 갖추고 있다. 본 GG-CNN의 경량성과 단일 패스 생성 특성 덕분에, 최대 50Hz의 폐루프 제어가 가능해져, 물체가 움직이거나 로봇 제어의 정밀도에 오차가 존재하는 비정적 환경에서도 정확한 그립을 수행할 수 있다. 실제 환경에서의 실험 결과, 복잡한 기하학적 구조를 가진 미리 보지 못한 물체들에 대해 83%의 그립 성공률을 달성하였으며, 그립 시 이동이 발생하는 가정용 물체 세트에서는 88%의 성공률을 기록하였다. 또한, 동적 혼잡 환경에서의 그립 작업에서도 81%의 정확도를 달성하였다.