掘削/模倣学習2026/8/22arXiv:2608.21778

視覚目標条件付き制御による自律掘削

Vision Guided Target Conditioned Control for Autonomous Excavation

掘削ロボットの動作を、画像上の目標領域マスクと行動チャンク変換器を用いて制御する枠組みを提案し、シミュレーションで高い目標達成率と作業効率を実証した。

詳しい要約

1. どんなもの？

本論文は、物理ベースの変形可能土壌シミュレーション環境において、画像アライメントされたターゲットマスクを視覚的な空間コマンドとして用い、マスク条件付きAction Chunking Transformer (ACT) がマルチビューRGB観測、プロプリオセプション、ターゲットマスクを時間的に拡張されたジョイスティックコマンドにマッピングする、ターゲット条件付きインテリジェント制御フレームワークを提案する。

2. 先行研究と比べてどこがすごい？

従来のACTはターゲット条件がなく、ターゲット無視行動が生じる。本手法は、同一または類似シーンを異なるターゲットマスクと対応するアクションチャンクでデモンストレーションするペア条件付き教師あり学習を導入し、ターゲット条件付き制御を可能にした点が新しい。

3. 技術・手法の肝は？

手法の肝は、画像アライメントされたターゲットマスクを視覚コマンドとして使用し、マスク条件付きACTがマルチビューRGB、プロプリオセプション、ターゲットマスクを入力として、時間的に拡張されたジョイスティックコマンドを出力すること。さらに、ペア条件付き教師あり学習により、デモンストレーションを異なるターゲットマスクと対応するアクションチャンクで構成し、ターゲット無視行動を低減する。

4. どうやって有効だと検証した？

診断的操作タスクと掘削シミュレーションベンチマーク（シングルスクープとシーケンシャルパイル除去プロトコル）で評価。操作では、ターゲット成功率が無条件ACTで4%、非ペアマスク条件付きACTで63%、ペア条件付きマスク条件付きACTで96%。シーケンシャルパイル除去では、ペア条件付きマスク条件付きACTがパイルの76.8%を除去し、ベースラインの27.4%と15.7%を上回り、人間正規化効率は91.0%。

5. 議論はある？

要旨からは、シミュレーション環境での検証に限定されており、実機での検証が未実施である点、また、ペア条件付きデモンストレーションの収集コストや、ターゲットマスクの設計に関する議論は明示されていない。

6. 次に読むべき論文は？

要旨で参照されている関連手法として、Action Chunking Transformer (ACT) の元論文が挙げられる。また、変形可能土壌シミュレーションや掘削制御の分野では、Physics-based deformable-soil simulationやExcavation controlの定番研究が関連する。

※ 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: Shuai Zhao, Ji-An Pan, Junwei Li, Xun Tang, Fansen Xi, Qing Xu, Keqiang Li, Jianqiang Wang

分類: cs.RO

原文アブストラクト

Autonomous excavation requires an intelligent control system that can convert spatial work intent into coordinated bucket motion under contact-rich soil interaction. This paper presents a target-conditioned intelligent control framework for autonomous excavation in a physics-based deformable-soil simulation workflow. An image-aligned target mask serves as a visual spatial command for the desired digging region, while a mask-conditioned Action Chunking Transformer maps multi-view RGB observations, proprioception, and the target mask to temporally extended joystick commands. To reduce target-ignoring behavior, demonstrations are organized with paired-condition supervision, where the same or closely matched scene is demonstrated with different target masks and corresponding action chunks. The framework is evaluated through both a diagnostic manipulation task and an excavation simulation benchmark with single-scoop and sequential pile-clearing protocols. In manipulation, target success is 4\% for no-condition ACT, 63\% for non-paired mask-conditioned ACT, and 96\% for paired-condition mask-conditioned ACT. In sequential pile clearing, paired-condition mask-conditioned ACT removes 76.8\% of the pile versus 27.4\% and 15.7\% for the two baselines, with 91.0\% human-normalized efficiency. The results show that visual target conditioning, paired demonstration structure, and action-chunk control form a practical cyber-physical simulation pipeline for excavator automation.

arXivで原文を読む →arXiv概要ページ

← 論文一覧