home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #18 / NN_1992_18.iso / spool / comp / robotics / 1596 < prev    next >
Encoding:
Internet Message Format  |  1992-08-18  |  6.3 KB
  1. Path: sparky!uunet!caen!zaphod.mps.ohio-state.edu!usc!goldberg
  2. From: goldberg@twister.usc.edu (Kenneth Goldberg)
  3. Newsgroups: comp.robotics
  4. Subject: Recent NSF Workshop
  5. Date: 18 Aug 1992 13:18:22 -0700
  6. Organization: University of Southern California, Los Angeles, CA
  7. Lines: 150
  8. Sender: goldberg@twister.usc.edu (Kenneth Goldberg)
  9. Distribution: world
  10. Message-ID: <l92moeINN2ir@twister.usc.edu>
  11. NNTP-Posting-Host: twister.usc.edu
  12.  
  13.  
  14. Anyone interested in current research issues, especially with
  15. regard to factory applications, is invited to read the following.
  16. An expanded version is also available via ftp.
  17.  
  18.           Summary Report and Bibliography
  19.      Workshop on Geometric Uncertainty in Motion Planning
  20.         Catalina Island, CA. June 15-17, 1992
  21.     (Sponsored in part by National Science Foundation grant IRI-9208161)
  22.  
  23. Organizers:
  24. Goldberg, Ken,         USC
  25. Mason, Matt,         CMU
  26. Requicha, Ari,         USC
  27.  
  28. NSF Coordinator: 
  29. Howard Moraff,        NSF IRIS Div.
  30.  
  31. Participants:
  32. Agraval, Amit,         USC
  33. Brost, Randy,         Sandia
  34. Cameron, Alec,         Philips
  35. Canny, John,         UC Berkeley
  36. Carlisle, Brian,     Adept Technology Inc.
  37. Erdmann, Mike,         CMU
  38. Gottschlich, Susan,     RPI
  39. Jennings, Jim,         Cornell
  40. Latombe, Jean-Claude,    Stanford
  41. Lozano-Perez, Tomas,     MIT
  42. Lumelsky, Vladimir,     UWisc
  43. Mishra, Bud,         NYU
  44. Peshkin, Mike,         Northwestern
  45. Popplestone, Robin,     UMass
  46. Rao, Anil,         USC
  47. Rimon, Elon,         Caltech
  48. Sanderson, Art,     RPI
  49. Strip, David,         Sandia
  50. Tilove, Bob,         GM
  51. Yap, Chee,         NYU    
  52.  
  53. -----------------------------------------------------
  54. Introduction: 
  55.  
  56. In robotics, the problem of planning *collision-free* motions has
  57. received considerable attention in the past decade; results have now
  58. been collected into a textbook (Latombe, 1991).  For manufacturing
  59. however, robots must bring parts into contact for grasping, packing
  60. and assembly.  As noted by Latombe, the problem of planning reliable
  61. "collisions" is complicated by geometric uncertainty: things differ
  62. from their ideal shapes, and they are not where they're supposed to
  63. be.  Since human programmers have difficulty keeping track of all
  64. possible conditions, automated planning methods are needed so that
  65. robots can become more reliable and practical for industry.
  66.  
  67. There is a formal approach to planning that addresses uncertainties
  68. arising from: sensor noise, control error, and inaccurate models of
  69. the environment.  This approach, based on the geometry of
  70. configuration space, is sometimes called *fine motion planning* due to
  71. a seminal paper by Lozano-Perez, Mason, and Taylor (1984).
  72.  
  73. With the support of several NSF programs (particularly Robotics and
  74. Machine Intelligence and Dynamic Systems and Control) the Catalina
  75. workshop brought together a group of researchers and
  76. representatives from industry to review past work, assess its impact
  77. on industry, and recommend priorities for future research.
  78.  
  79. -----------------------------------------------------
  80. Summary of Observations and Recommendations
  81.  
  82. This section briefly summarizes the observations and recommendations
  83. made during the workshop.  Following is a detailed summary of
  84. individual presentations and a list of relevant references.
  85.  
  86. While sensing has traditionally been used to reduce geometric
  87. uncertainty, mechanical compliance (intentionally sliding parts
  88. against each other) is a useful alternative.  Although compliance is
  89. widely used in manufacturing, for example in vibratory bowl feeders,
  90. computational algorithms for applying these techniques are only
  91. beginning to emerge.  One fundamental question is how to discretize
  92. the infinite set of robot commands into a manageable set of
  93. equivalence classes.  Another question is how to incorporate sensor
  94. queries with robot commands to decide when parts have been
  95. successfully arranged.
  96.  
  97. Planning for repetitive assembly occurs off-line.  The LMT paper and
  98. subsequent publications provide a useful computational framework based
  99. on backchaining from a goal configuration.  In its most general form,
  100. motion planning with uncertainty is computationally intractable.
  101. However in non-pathological cases, existing algorithms find robust
  102. plans in a few minutes.  Further speedups may be gained with
  103. randomized or approximate algorithms.
  104.  
  105. It is easier to plan with less information.  This follows from the
  106. fact that there are fewer alternatives to consider during planning.
  107. Thus automated planning may be most efficient for robot systems with
  108. few degrees of freedom and simple sensors.  Also, detailed geometric
  109. analysis can be avoided during the non-contact phases of assembly.
  110.  
  111. Planning should not be restricted to robot commands.  In a structured
  112. environment such as a factory, the environment itself can be viewed as
  113. a variable, ie, the design of sensors, feeders, and fixtures can be
  114. specified based on part geometry.  Furthermore, we can in principle
  115. modify part geometry and tolerances to facilitate manufacture.
  116. Although humans have designed workcells for decades, automated
  117. planning algorithms could greatly reduce set-up times and increase
  118. performance efficiency for competitive manufacturing.
  119.  
  120. Industrial users require reliable systems.  Although the primary
  121. motivation behind autonomous planning is to increase robot
  122. reliability, the algorithms must be rigorously tested with physical
  123. experiments.  New planning software should be made accessible to the
  124. manufacturing community.  This requires code that is compatible with
  125. existing CAD systems and well-designed user interfaces.  A PhD should
  126. not be required to reprogram robots on the factory floor.
  127.  
  128. Measures of progress are needed in this area.  Latombe's text is a
  129. good start.  To develop the scientific base for automated manufacture,
  130. it will be important to identify and solve well-formed research
  131. problems that explicitly address geometric uncertainty.
  132.  
  133. -----------------------------------------------------
  134. Summary of Presentations:
  135.  
  136. ...
  137.  
  138. To get and print a copy of the full (19 pp.) report on
  139. UNIX systems:
  140.  
  141.     % ftp 128.125.51.19
  142.     Connected to palenque.usc.edu.
  143.     220 palenque.usc.edu FTP server (SunOS 4.1) ready.
  144.     Name (palenque.usc.edu:saavedra): anonymous
  145.     331 Guest login ok, send ident as password.
  146.     Password: 
  147.     230 Guest login ok, access restrictions apply.
  148.     ftp> cd pub
  149.     200 PORT command successful.
  150.     ftp> get USC_IRIS_297.ps.Z
  151.     ftp> quit
  152.     % uncompress USC_IRIS_297.ps.Z
  153.     % lpr USC_IRIS_297.ps
  154.  
  155. Or, for a hardcopy contact:
  156.  
  157. Delsa Castelo
  158. IRIS Group, 204 Powell Hall
  159. University Park, University of Southern California
  160. Los Angeles, CA 90089-0273
  161.  
  162.  
  163.