マニピュレーション2026/9/14arXiv:2609.15382

予測から意思決定へ：世界モデルによる連続的な掘削作業の行動選択

From Prediction to Decision: World-Model-Guided Action Selection for Continuous Pile Excavation

ホイールローダの掘削を世界モデルで予測し候補の中から最適なすくい動作を選ぶ手法を提案し、実機での自律掘削ループを実証した。

詳しい要約

1. どんなもの？

- ホイールローダによる連続的な掘削作業を対象とした意思決定問題を扱う研究。 - World-Action Model (WAM) を提案し、複数の掘削候補を生成・選別し、地形変化と積載量を予測して最適な候補を実行する。 - 実機の閉ループ内で動作することを目指し、ROS2/TensorRT 実装で Jetson AGX Orin 上 72.4 ms で 5 候補を処理。

2. 先行研究と比べてどこがすごい？

- 従来の強化学習（soft actor-critic）と比較して、WAM は 32/32 エピソードを完了し、SAC は 29/32 であった。 - 拡散モデルによる候補生成に world-model ランキングを追加することで、平均 scoop 数が 651.8 から 540.6 へ 17.1% 削減され、32/32 の完了を維持。 - ペアごとのエピソードで全て改善。

3. 技術・手法の肝は？

- WAM は複数の scoop を提案し、幾何学的に実行不可能な候補を棄却。 - 地形の符号付き変化と積載量を同時に予測し、予測積載量が最大の候補を実行。 - 新たに観測された地形から再計画する。 - 入力表現、空間サポート、5 つのアーキテクチャを比較し、正確で効率的な物理構造化予測器を同定。

4. どうやって有効だと検証した？

- 32 の geometry-disjoint MinSlope テストエピソードで評価。 - 拡散提案に world-model ランキングを追加した場合と比較し、平均 scoop 数削減と完了率維持を確認。 - 完全システム比較で SAC より高い完了率。 - event-disjoint な full-size loader データでインタフェースを評価し、実機閉ループ自律掘削を展開。

5. 議論はある？

- シミュレーション結果は意思決定レベルの利得を確立。 - 物理実験は実世界閉ループの実現可能性を実証。 - 議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：soft actor-critic、diffusion proposals。 - 関連手法：world model、model predictive control、reinforcement learning for excavation。

※ 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: Ailing Zhang, Fan Gao, Song Zhang, Kawa Leong, Ziyu Wu, Yafei Wang

分類: cs.RO

原文アブストラクト

Wheel-loader excavation is a sequential decision problem in which every scoop changes the terrain available to subsequent actions. A practical world model must predict action consequences accurately, rank candidates in real time, and operate inside the closed loop of a full-size machine. We present the World-Action Model (WAM), which proposes multiple scoops, rejects geometrically inadmissible candidates, jointly predicts signed terrain change and loaded volume, executes the candidate with the largest predicted load, and replans from the newly observed terrain. On 32 geometry-disjoint MinSlope test episodes, adding world-model ranking to matched diffusion proposals reduces the mean scoop count from 651.8 to 540.6 (17.1%), preserves 32/32 completion, and improves every paired episode. In a complete-system comparison, WAM completes 32/32 episodes versus 29/32 for an independently trained soft actor-critic policy. Comparisons of input representations, spatial support, and five architectures identify an accurate and efficient physics-structured predictor. We further evaluate the interface on event-disjoint full-size-loader data and deploy the complete perception-proposal-prediction-selection-execution loop for autonomous excavation. The ROS2/TensorRT implementation processes five candidates in 72.4 ms on a Jetson AGX Orin. The simulation results establish decision-level gains, while the physical experiments demonstrate real-world closed-loop feasibility.

arXivで原文を読む →arXiv概要ページ