ヒューマノイドの力反応型移動・操作を学習するFLOREを発表

何が起きたか

2026年10月26日掲載の論文「Learning Force-Reactive Humanoid Loco-Manipulation」は、力反応型のヒューマノイド移動・操作を学習する枠組みFLOREを提示した。ロボットを使わないデモを基に、視覚、固有感覚、計測した力・モーメントから動作と左右それぞれの力指令を予測する。実機の接触を伴う3タスクでは、FLOREの成功率は80%で、同じデモで学習し同じ制御器で実行した位置のみの方策は26.7%だった。

詳細

デモ収集では、手の動きと接触時の力・モーメントに2台の力覚付きUMI方式ハンドヘルドグリッパーを使い、身体の動きには装着型トラッカーを用いた。方策が出す指令は、力追従機能を持つハイブリッド・コンプライアンス全身制御器が実行し、バランスを保つ。 制御器は実際の力・トルクセンサーで測った力の誤差を積分し、各手を指令方向に力追従させ、他の方向では柔軟に保つ。シミュレーションでは、大きさや方向が異なる手ごとの力指令を追従し、全身動作の精度の低下は小さかったと論文は報告した。

Key Facts

本紙の見方

FLOREの技術的な焦点は、接触力を動作軌道に付け加えるだけでなく、力指令と全身のバランス制御を同じ実行系に組み込んだ点にある。方策は手ごとの力指令を出し、制御器は実測した力の誤差を使って指令方向への追従と、それ以外の方向での柔軟性を両立させる。接触中の手先制御と身体全体の姿勢維持を切り離さない構成であり、力の大きさや方向が変わる状況を対象にしている。 入力データの作り方も、この設計と対応する。ロボットを使わないデモで、ハンドヘルドグリッパーから手の動きと接触時の力・モーメントを取り、装着型トラッカーから身体の動きを得る。したがって、学習対象には動作の形だけでなく、接触時にどの程度の力を加えたかという情報も含まれる。視覚・固有感覚・実測力を方策に入れ、予測した指令を力追従付きの全身制御器で実行する流れが、FLOREの構成上の特徴だ。 実機の3タスクで、同じデモと同じ制御器を用いた位置のみの方策との成功率に差が出たことは、接触を伴う課題で力情報を方策に組み込む意義を示す比較結果と読める。ただし、この結果から一般的なヒューマノイド作業全般での優位性まで結論づけることはできない。論文要旨が示す実機評価は3タスクであり、各タスクの内容や試行数は要旨に記載されていない。また、シミュレーションで報告されたのは力指令への追従と全身動作精度の低下が小さいことだが、実環境での長期稼働や別の機体への適用を示す情報ではない。 次に確認すべきなのは、3タスクそれぞれの条件と試行数、成功判定、力追従の誤差、デモやセンサーの条件を変えた場合の再現性である。特に、実測力を用いる制御が、異なる接触対象や作業条件でも同様に機能するかは、この要旨だけでは判断できない。成功率の比較を個別の作業条件と制御指標に分けて検証できるかが、FLOREの適用範囲を評価するうえでの論点となる。

なぜ重要か

位置だけでなく実測力を方策の入力にし、手ごとの力指令を全身制御器で追従させるため、接触時の力加減とバランス維持が関わるヒューマノイド作業の制御設計に関係する。論文が報告した成功率の比較は実機の3タスクに限られ、より広い作業への適用を示すものではない。