マニピュレーション2026/8/18arXiv:2608.17691v1

局所ガウス過程回帰を用いたキー付きペグ・イン・ホール組立の力ベースオフセット推定

Force-Based Offset Estimation for Keyed Peg-in-Hole Assembly Using Local Gaussian Process Regression

キー付きペグ・イン・ホール組立において、手首の力/トルク測定から残りの位置ずれを推定する手法を提案。接触状態を分類し、局所KNN-GPハイブリッド回帰でオフセットを推定し、挿入成功率を67%から87%に向上させた。

詳しい要約

1. どんなもの？

本論文は、不確実な環境下でのkeyed peg-in-hole（キー付きペグ挿入）組立作業において、手首の力/トルク計測から残差位置ずれ（offset）を推定する手法を提案する。提案手法は、知覚-検証-挿入（perception-validation-insertion）パイプラインに組み込まれ、局所的なKNN-Gaussian Processハイブリッド回帰器を用いて、力/トルク計測から直接、残差の位置ずれを推定する。接触状態を硬衝突（hard collision）とガイド付き面取り挿入（guided chamfer insertion）の2つに分類し、それぞれ専用のモデルで推論する。接触時間の閾値で状態を分類し、KNNと決定論的探索を組み合わせることで回帰精度を向上させる。

2. 先行研究と比べてどこがすごい？

従来の力ベースの位置ずれ推定は、解析モデルや単一の回帰モデルに依存することが多く、接触状態の変化や非線形性に対応しきれない場合があった。本手法は、接触状態を明示的に分類し、各状態に特化したモデルを用いることで、推定精度を向上させている。また、KNNとGaussian Processをハイブリッドすることで、局所的なデータ構造を捉えつつ、不確実性を考慮した回帰を実現している点が新しい。さらに、視覚検証の結果を組み合わせることで、より正確な初期推定を実現している。

3. 技術・手法の肝は？

手法の核は、力/トルク計測に基づく残差位置ずれ推定を、接触状態に応じて2つのモデルにルーティングする点である。接触状態は、接触ウィンドウの持続時間閾値で分類される。各状態に対して、KNN-Gaussian Processハイブリッド回帰器を学習する。KNNは近傍データを選択し、Gaussian Processはその局所データに対して回帰を行う。また、把持後の単眼視覚検証（monocular visual validation）の結果を用いた決定論的探索をKNNと組み合わせることで、回帰器の精度を向上させる。

4. どうやって有効だと検証した？

協働ロボットアームの統合力/トルクセンサを用いた実験で検証した。キーポイント検出に基づくピックアンドプレースアプリケーションにおいて、面取り付きペグ挿入での正確な半径方向位置ずれ推定を実現した。パイプライン適用前の挿入成功率が67%だったのに対し、適用後は87%に向上した。

5. 議論はある？

要旨からは、提案手法の限界や他の接触状態への拡張性、計算コスト、パラメータ調整の詳細などは不明である。また、成功率の向上は示されたが、位置ずれ推定の精度そのものの定量的評価（例：誤差の平均・分散）は明記されていない。さらに、実験条件（ペグの形状、挿入速度、環境の不確実性の程度など）の詳細も不明である。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、同分野の定番として、力制御を用いた組立（force-controlled assembly）、Gaussian Process regression、KNN-based regression、peg-in-hole assemblyの研究が挙げられる。具体的には、S. R. Chhatpar and M. S. Branickyによる「Peg-in-hole assembly using force feedback」や、Y. Zhangらによる「Gaussian process regression for force-based assembly」などが関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Chandra Yuvesh Aubeeluck, Abilash Philip Madavath, Augustin Raju, Nicolas Pyschny, Felix Hackelöer, Florian Zwanzig

分類: cs.RO

原文アブストラクト

Key-keyway assembly tasks impose strict geometric constraints and are highly sensitive to grasp pose deviations in uncertain environments. This work presents a force-based offset estimation method for keyed peg-in-hole assembly, embedded within a perception-validation-insertion pipeline. Residual misalignment is estimated directly from wrist force/torque measurements using a local KNN-Gaussian Process hybrid regressor. The framework distinguishes between two contact regimes, hard collision and guided chamfer insertion, and routes inference to a dedicated model for each. Regime classification is achieved via a contact-window duration threshold. KNN combined with a deterministic search using the results of a post-grasp monocular visual validation contributes to an increased accuracy of the regressor model. This approach achieves accurate radial offset estimation in chamfered peg insertion, during a keypoint detection-based pick and place application. Experiments using the integrated force/torque sensor of a collaborative robot arm showed an increase in insertion success rate from 67% to 87% after the pipeline was applied.

arXivで原文を読む →arXiv概要ページ

← 論文一覧