TONAV: 関節物体の四足移動操作のためのタスク指向ナビゲーションと動作速度チャンク学習

TONAVは、四足移動マニピュレーション（quadrupedal mobile manipulation）のための統合フレームワークであり、タスク指向ナビゲーション（task-oriented navigation）とアクション・ベロシティ・チャンク学習（action-velocity chunk learning）を組み合わせる。位置・速度結合型テレオペレーション、視覚言語推論によるサブゴール分解、および速度監視下での関節位置と時間遷移の共同モデリングにより、操作準備の整ったベース配置と安定した連続接触操作を実現する。

既存手法はナビゲーションを目標付近で終了させることが多く、到達可能性と操作準備性の間にギャップが生じる。また、追従遅れ、動作ジッタ、接触不安定性により連続的なインタラクションが制限される。TONAVは、タスク指向ナビゲーションとアクション・ベロシティ・チャンク学習を統合することで、これらの問題を同時に緩和し、ナビゲーションとマニピュレーションのギャップを埋める点が新しい。

手法の肝は3点。(1) 位置・速度結合型テレオペレーションフレームワークにより、動作ダイナミクスを明示的に捉え、マスター・フォロワー間の一貫性を高め、滑らかで時間的に一貫したデモを収集する。(2) タスク指向ナビゲーションは、視覚言語推論を用いて高レベル指示を実行可能なサブゴールに分解し、ロボットのベースを操作準備の整った配置へ適応的に洗練する。(3) アクション・ベロシティ・チャンク学習は、速度監視下で関節位置とその時間遷移を共同モデリングし、滑らかで安定した持続接触操作を可能にする。

多様な関節物体タスク（articulated-object tasks）における実世界実験を実施し、タスク指向ナビゲーションと完全なモバイルマニピュレーションの両方で成功率が向上することを示した。また、ナビゲーション・マニピュレーションギャップの緩和と連続接触インタラクションの改善を実証した。

要旨からは、提案手法の限界や特定の失敗ケース、他の手法との詳細な比較、計算コスト、一般化の範囲などについての議論は不明。また、実世界実験の具体的なタスク数や環境の多様性、ベースラインとの比較方法も要旨からは不明。

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、四足移動マニピュレーションのための学習ベース手法（例: reinforcement learning for legged manipulation）、視覚言語モデルを用いたタスクプランニング（例: vision-language-action models）、および模倣学習（behavior cloning）に関する論文が挙げられる。具体的には、"Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning"や"VoxPoser: Composable 3D Value Maps for Robotic Manipulation with Language Models"などが関連する。