模倣学習2026/8/25arXiv:2608.24741

物理的相互作用の特定による接触リッチなロボット操作のワンショット模倣学習

One-Shot Learning from Demonstration of Contact-Rich Robotic Manipulation by Identifying Physical Interactions

ロボットと環境の物理的相互作用（接触の発生と解除）を明示的にモデル化し、単一のデモンストレーションから複雑な接触操作を再現する模倣学習手法を提案した。実ロボット実験で、未知の環境変化に対する頑健性や適応性を実証した。

詳しい要約

1. どんなもの？

本論文は、接触を伴うロボット操作タスクを単一のデモンストレーションから学習するためのLfD手法を提案している。提案手法は、ロボットと環境の間の物理的相互作用（接触の生成と解除など）を明示的にモデル化し、その情報を用いてハイブリッド位置・力制御器がデモンストレーション軌道を追跡し、接触に基づく遷移条件を満たすまで動作を再現する。

2. 先行研究と比べてどこがすごい？

従来のLfD手法の多くは物理的相互作用を明示的にモデル化しておらず、接触を伴う複雑なタスクの再現が困難であった。本手法は、物理的相互作用を明示的に利用することで、単一のデモンストレーションから複雑な連続的・接触リッチな操作タスクを再現可能にし、未知の環境変動に対するロバスト性、既知の変動に対する一般化、オンライン適応を実現している点が優れている。

3. 技術・手法の肝は？

手法の核心は、デモンストレーションから物理的相互作用（接触の生成・解除）を抽出し、それをタスクの遷移条件として利用することである。具体的には、ハイブリッド位置・力制御器がデモンストレーション軌道を追跡し、接触に基づく遷移条件が満たされるまで動作を継続する。これにより、接触のタイミングと位置を明示的に扱うことで、タスクの再現性と適応性を高めている。

4. どうやって有効だと検証した？

実ロボット実験により評価を行った。タスクは、ドアや錠の開放、ボルトの取り外しとねじ締め、取り外し、表面輪郭追従などである。これらの実験を通じて、単一のデモンストレーションからの再現、未知の幾何学的変動に対するロバスト性、既知の変動に対する一般化、オンライン適応の4つの利点を実証した。

5. 議論はある？

要旨からは、提案手法の限界や課題についての詳細な議論は不明である。ただし、ロバスト性、一般化、適応性を明示的に実装できる点を強調しており、LfD文献における解釈可能性のギャップを埋めることを目指している。今後の課題として、より複雑なタスクや多様な環境での検証が必要かもしれない。

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、LfD分野の定番として、Behavior CloningやImitation Learning、および接触を扱うロボット制御の研究（例えば、Hybrid Force/Position Control）が挙げられる。また、Few-shot LearningやMeta-Learningの手法も関連する可能性がある。

※ 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: A. H. G. Overbeek, H. van der Kooij, M. Vlutters

分類: cs.RO

原文アブストラクト

Learning from Demonstration (LfD) allows robots to learn manipulation tasks directly from humans, thereby supporting the versatile application of robots. Most LfD methods do not explicitly model the physical interactions between a robot and its environment, such as the making and breaking of contact, while these are crucial during manipulation tasks. Because the same basic physical interactions recur often, they can be a basis for robust, generalizable, and adaptive task reproduction. We propose an LfD method that explicitly uses what physical interactions take place where and when. Using that information, a hybrid position-force controller tracks demonstrated trajectories until contact-based transition conditions from the demonstrations are met. We evaluate our method in real robot experiments consisting of opening doors and locks, bolt picking and screwing, dislodging, and surface contouring. We show that explicitly modeling physical interactions benefits LfD in four ways. First, by allowing reproduction of complex, sequential, and contact-rich manipulation tasks using only a single demonstration and no prior knowledge of the task. Second, by facilitating robustness to unknown geometric variations in the environment. Third, by facilitating generalization when geometric variations are known. Fourth, by facilitating online adaptation using geometric information explored during task reproduction. We discuss how robustness, generalization, and adaptivity can be explicitly implemented, which is generally lacking in the LfD literature. Thereby, our work aims to close a gap in interpretable few-shot LfD of robotic manipulation.

arXivで原文を読む →arXiv概要ページ