InsertAnything、シミュレーション学習だけで接触富む精密挿入を実現　20/20の完全成功を記録

何が起きたか

2026-09-21掲載のarXiv論文「InsertAnything: Generalizable Contact-Rich Precision Insertion from Simulation to Reality」は、実世界デモや方策の微調整を行わず、シミュレーションのみで精密挿入方策を訓練して直接展開する強化学習枠組みを示した。論文は、目標姿勢と3次元の指先力フィードバックを組み合わせ、穴位置推定誤差があっても整列を探し直して動作を補正する方針を学習させたとしている。結果として、最小公称クリアランス0.02 mmの複数穴形状で実機挿入に成功し、ManipulationNetのpeg-in-holeベンチマークではHuman-in-the-Loop手順で20/20の初の完全得点を記録した。

詳細

論文は、整列と挿入を協調させるためにdecoupled gated rewardを用い、学習の安定化にはforce-signal smoothingとstate-independent standard deviationsを採用したとしている。さらに、シミュレーションで六角形の挿入課題のみを学習した単一方策が、8つの未知の実世界挿入タスクで総合成功率95.0%を示したと報告している。 著者らは、クロスクリアランス評価とクロスジオメトリ評価でも方策の一般化を確認したとしている。プロジェクトサイトでは、オープンソースのシミュレーションおよび実機実験スクリプト、アセット、学習済みチェックポイントを公開している。

Key Facts

本紙の見方

この論文の新規性は、接触を伴う精密挿入を「シミュレーションのみ」で学習し、そのまま実機に持ち込める可能性を示した点にある。単にデモを減らしたというより、目標姿勢と3次元の指先力フィードバックを使って整列探索と挿入補正を両立させ、さらにdecoupled gated reward、force-signal smoothing、state-independent standard deviationsで学習を安定化している。つまり主役はモデルの大規模化ではなく、接触状態の観測と報酬設計を組み合わせた制御学習の設計である。 本紙の関連記事はないため、過去報道との連続性は置かない。もっとも、この成果はロボット組立で繰り返し問題になる「位置ずれ」「穴形状差」「クリアランス差」を、実地の再学習ではなくシミュレーション側の設計で吸収しようとする点で、従来の実機データ依存型の開発と構造が異なる。最小公称クリアランス0.02 mm、20/20の完全得点、8タスクで95.0%という数字は、単なる研究室内の成功ではなく、厳しい条件下での再利用性を示す指標として読むべきだろう。 一方で、未確定の論点は残る。対象は挿入タスクに限られており、より複雑な組立工程や量産ラインでどこまで通用するかはこの論文だけでは分からない。今後は、学習済み方策の運用条件、対象ハードウェアの範囲、異なる材質や摩擦条件での再現性、そしてオープンソース公開物を使った第三者再現の結果が焦点になる。

なぜ重要か

論文が示したのは、実機デモを大量に集めなくても、接触を伴う精密挿入の方策をシミュレーションから直接作れる可能性である。これは、組立工程で位置合わせ誤差や穴形状差への追従が必要な現場にとって、学習データの集め方そのものを変えうる。

日本への影響

精密挿入は日本のロボット組立や部品組立でも重要な工程であり、0.02 mm級のクリアランスや接触力を扱う制御設計は、実機デモ依存の開発負荷を下げる文脈で関係しうる。もっとも、この論文が示したのは挿入タスクでの検証に限られるため、日本の量産ラインへの適用可否は、対象部品の形状、摩擦条件、治具設計を含めた再現性の確認が必要である。