PACT、17サーボのロボットハンド設計手法を発表　把持姿勢の再現精度を改善

何が起きたか

arxiv.orgは2026年10月13日、PACT（Posture-Aligned Co-Design Technique for Hand Configuration and Retargeting in Multi-Finger Imitation Learning）を掲載した。17サーボのロボットハンドについて、リンク長、関節オフセット、取り付け角、ベース配置と、非線形の姿勢リターゲティングを同時に最適化する手法である。DexYCBデータセットの人間の把持姿勢を対象に、MCP、PIP、DIP、各指先までの対応を制約として設計し、試作機「PACT Hand」で検証した。

詳細

論文では、最適化にサーボ干渉、組み立てクリアランス、フラットハンド時の突出量の制約を課し、物理的に組み立て可能な設計にしている。再現結果として、PACT Handは人間の手のキーポイント再現のkinematic RMSEが3.9 mmで、LEAP Handの12.8 mmを下回った。 把持性能では、同等の各関節トルク上限のもとで荷重が2 kgとなり、LEAP Handの1 kgの2倍だった。保持した紙コップの変形は7分の1で、人間の手に近い水準に達したとしている。YCBの日用品に対する把持成功率は86%で、ベースラインの64%を上回った。さらに、PACT Handで収集したデモを用いて学習した模倣学習ポリシーは、缶のピックアンドプレースで保留配置に対する成功率75%を示した。

Key Facts

本紙の見方

PACTの新規性は、ロボットハンドの形状設計と姿勢リターゲティングを別工程として扱わず、17サーボという具体的な機械構成の最適化に組み込んだ点にある。これは単なる制御法の改良ではなく、リンク長や関節オフセット、取り付け角、ベース配置まで含めて、把持姿勢の忠実度を上げる設計手法だと読める。一方で、論文が示す成果は試作機レベルであり、量産性や長期耐久性を直接示すものではない。 重要なのは、DexYCBの把持姿勢に対してMCP、PIP、DIP、指先までの全指対応を制約に置いている点である。ここからは、模倣学習のデモ品質を高めるには、単に手先を動かすだけでなく、実物のハンドが人間の姿勢をどこまで機械的に再現できるかが前提になる構図が見える。LEAP Handとの比較で、キーポイントRMSEが3.9 mmから12.8 mmへ改善し、指先10 mm以内の条件を全把持姿勢で満たしたのに対し、ベースラインは21.6%にとどまったという差は、学習データの分布そのものが変わる可能性を示す。 本紙の関連記事はないため過去報道との接続は置けないが、業界構造としては、ハンド本体の機構設計、リターゲティング則、デモ収集、模倣学習ポリシーの4層が一体化している点が焦点になる。つまり、機械精度が上がるほど、収集した実演の再利用性と学習済み方策の汎用性が問われる。今回の論文ではYCB日用品で86%の把持成功率、缶のピックアンドプレースで75%の成功率が示されたが、対象物や配置を広げたときに同じ構成が維持できるか、また17サーボ構成の実装コストと制御複雑度をどう抑えるかが未確定論点である。

なぜ重要か

論文が示したのは、ロボットハンドの把持性能が制御だけでなく機構設計にも強く依存することである。PACT HandはLEAP Handより高い再現精度と荷重性能を示しており、模倣学習のデモ収集装置としての手の設計が結果に直結する。

日本への影響

日本のロボットハンドや精密機構の分野では、17サーボ構成のような多自由度機構と、その姿勢リターゲティングを一体で詰める設計能力が論点になる。論文は、機構部品の精度、組み立てクリアランス、干渉回避が学習用データの質にまで影響することを示しており、精密加工や小型アクチュエータ周辺の競争軸に接続し得る。