脚型クライミングロボットの完全自律化に向けた視覚・触覚融合による未知環境地図構築

本年度は、ハンドアイシステムによるマッピングシステムと把持状態判定の結果に応じたフィードバック動作の検証、視覚・触覚融合のSLAMの定式化を行った。大域的な環境を表せるが蓄積誤差を含むグローバルマップに加えて、局所的な環境を表すが蓄積誤差が微小なローカルマップを独立に構築した。グローバルマップに基づくことで、移動可能領域が広い方向に移動するようなロボットの方向を決定することができた。一方でローカルマップに基づくことで、SLAMの蓄積誤差の影響を受けていない地形凸部（把持対象）の位置を推定することができた。さらに、その地形凸部の位置に基づいてロボットの脚を制御することで、グリッパによる把持の成功確率を上げることができた。これまで、視覚センサを用いた把持状態判定の手法を提案してきたが、今年度からは判定結果に応じたフィードバックによる二種類の自律的な補正動作を実装した。一点目はグリッパが閉じている状態において、グリッパが把持点を適切に把持していないと判定された場合、グリッパを地形に押し付けて掴み直す動作である。二点目はグリッパが開いている状態において、グリッパが意図せずに引っ掛かっていた場合、その引っ掛かりを解除する動作である。そして、これらの補正動作を脚の制御に適用することで、不適切な把持状態から適切な把持状態へと遷移させることができた。さらに、把持状態判定の補正動作を統合した新しい登はんシーケンスを構築した。さらに、本研究のメインである視覚と触覚を融合したSLAM理論の定式化を行った。一般的なSLAMでは、視覚のみで誤差関数が構成されるが、そこに触覚の項を合成した新しい誤差関数を定義した。そして、この誤差関数を最小化するようにロボットのポーズと地図の最適化を行う。触覚は地形とロボットを密接につなぐ強力な拘束になると考えており、提案するSLAMにより高精度な地図を構築する。

本年度は、ハンドアイシステムによるマッピングシステムと把持状態判定の結果に応じたフィードバック動作の検証、視覚・触覚融合のSLAMの定式化を行った。大域的な環境を表せるが蓄積誤差を含むグローバルマップに加えて、局所的な環境を表すが蓄積誤差が微小なローカルマップを独立に構築した。グローバルマップに基づくことで、移動可能領域が広い方向に移動するようなロボットの方向を決定することができた。一方でローカルマップに基づくことで、SLAMの蓄積誤差の影響を受けていない地形凸部（把持対象）の位置を推定することができた。さらに、その地形凸部の位置に基づいてロボットの脚を制御することで、グリッパによる把持の成功確率を上げることができた。これまで、視覚センサを用いた把持状態判定の手法を提案してきたが、今年度からは判定結果に応じたフィードバックによる二種類の自律的な補正動作を実装した。一点目はグリッパが閉じている状態において、グリッパが把持点を適切に把持していないと判定された場合、グリッパを地形に押し付けて掴み直す動作である。二点目はグリッパが開いている状態において、グリッパが意図せずに引っ掛かっていた場合、その引っ掛かりを解除する動作である。そして、これらの補正動作を脚の制御に適用することで、不適切な把持状態から適切な把持状態へと遷移させることができた。さらに、把持状態判定の補正動作を統合した新しい登はんシーケンスを構築した。さらに、本研究のメインである視覚と触覚を融合したSLAM理論の定式化を行った。一般的なSLAMでは、視覚のみで誤差関数が構成されるが、そこに触覚の項を合成した新しい誤差関数を定義した。そして、この誤差関数を最小化するようにロボットのポーズと地図の最適化を行う。触覚は地形とロボットを密接につなぐ強力な拘束になると考えており、提案するSLAMにより高精度な地図を構築する。