可動穴へのペグ挿入のための視覚・力アドミタンス学習

本論文は、動的環境下でのpeg insertion（ペグ挿入）を高精度に行うためのVision-Force Admittance Learning (VFAL)フレームワークを提案する。移動ロボットベースや未知の動きをする対象により生じる動的環境では不確実性が大きく、peg-in-the-holeのような精密作業が困難である。VFALは非同期の視覚フィードバックと高周波の力ベースモデルを融合し、視覚による姿勢推定を正則化項として用いることで、オンラインで挿入戦略を適応させ、ミリメートル精度を維持する。視覚姿勢推定にはstate-of-the-artのvision foundation modelsを利用し、失敗回復機構も組み込む。実世界実験で高い成功率と様々なペグ・動的環境への適応性を示した。

要旨からは不明。動的環境での精密作業における先行研究との具体的な比較は述べられていない。

技術の肝は、非同期の視覚フィードバックと高周波の力ベースモデルを融合するVision-Force Admittance Learning (VFAL)フレームワークにある。視覚による姿勢推定を正則化項として用い、オンラインで挿入戦略を適応させる。低周波のロバストな姿勢情報を得るためにstate-of-the-artのvision foundation modelsを採用し、さらに失敗回復機構を組み込むことで全体のロバスト性を高めている。

実世界実験により検証している。高い成功率と、様々なペグおよび動的環境への強い適応性を示した。

要旨からは不明。議論や限界については述べられていない。

要旨で参照/比較されている研究は明示されていない。関連手法として、visual servoing、admittance control、force-based assembly、vision foundation models（例：SAM, DINO等）が挙げられる。