部分観測下での変形物体操作のためのリアルタイム全形状推定

- 部分観測下での変形可能物体(DO)操作を扱う研究。 - 提案は cRVAE: 軽量な conditional recurrent variational autoencoder。 - 推論時は一部の corner-node 観測のみから DO の全形状状態を推定。 - 推定モデルを receding-horizon optimal control の forward model として使用。 - 障害物を考慮した協調的な DO 操作を対象。 - ロープと布のシミュレーション、および Unitree Go2 ロボットで実証。

- 従来は DO の高次元状態空間、underactuated dynamics、部分観測が困難。 - パラメータ同定済み XPBD モデルと同等の全状態推定精度を達成。 - 推論時に物理パラメータをモデル入力にせず、オンライン同定も不要。 - ロープで約350倍、布で1500倍以上高速な forward pass。 - XPBD は短い horizon でも 100 ms 制御予算を超えるが、cRVAE は horizon-based planning を予算内に収める。 - corner sensing からの全形状推定を in-loop 速度で実現し、ハードウェア展開を可能にした点が新しい。

- cRVAE: conditional recurrent variational autoencoder を採用。 - 推論時に入力として使うのは部分的な corner-node 観測のみ。 - 出力は DO の full-shape state の推定。 - この推定モデルを receding-horizon optimal control の forward model として組み込む。 - 障害物を考慮した協調 DO 操作の制御フレームワークに統合。 - 物理パラメータ入力やオンライン同定を必要としない設計。

- ロープと布のシミュレーションで評価。 - corner-node 測定のみから full DO state を推定し、parameter-identified XPBD model と精度を比較。 - 推論速度を XPBD と比較し、ロープで約350倍、布で1500倍以上高速と報告。 - horizon-based planning が 100 ms 制御予算内に収まることを確認。 - Unitree Go2 ロボット上で実機展開を実証。

- 要旨からは不明。 - 想定される論点として、corner-node 観測のみで全形状を推定する際の一般化や実機ノイズへの頑健性が考えられるが、要旨には明記されていない。 - 障害物回避や協調操作の制御性能の詳細な評価は要旨からは不明。

- XPBD (Extended Position-Based Dynamics) に関する論文。 - conditional recurrent variational autoencoder を用いた状態推定の関連研究。 - receding-horizon optimal control による変形可能物体操作の研究。 - 部分観測下での deformable object manipulation に関する研究。 - Unitree Go2 を用いたロボット実機実験の関連研究。