マニピュレーション2026/9/17arXiv:2609.21122

MetaPusher: 未知物体の非把持マニピュレーションのためのメタ学習と適応計画

MetaPusher: Meta Learning and Planning for Nonprehensile Manipulation of Unseen Objects with Rapid Online Adaption

メタ学習したダイナミクスモデルと適応的な運動力学プランナを組み合わせ、未知物体の非把持操作をオンラインで迅速に適応しながら計画するフレームワークを提案。

詳しい要約

1. どんなもの？

- 未知物体のnonprehensile manipulationを対象としたフレームワーク。 - meta-learningとadaptive planningを組み合わせ、物体固有の事前interactionなしで操作を実現。 - 実行中のinteractionからdynamics modelを迅速に適応させ、adaptive kinodynamic plannerが長期計画を更新。

2. 先行研究と比べてどこがすごい？

- 従来のfine-tuningやactive learning、MPPI-based control、reinforcement learning policyと比較して、予測誤差を低減し、タスク成功率を最大20%向上。 - 別途データ収集フェーズを必要とせず、実行中に適応と計画を同時に行える点が優位。

3. 技術・手法の肝は？

- meta-learned dynamics modelが実行中のinteractionから迅速に適応。 - adaptive kinodynamic plannerが既存のsearch treeを再利用・洗練して長期計画を更新。 - この結合により、操作と適応をデータ収集フェーズなしで実現。

4. どうやって有効だと検証した？

- シミュレーションおよびsim-to-realシナリオで未知物体に対して評価。 - fine-tuning、active learning、MPPI-based control、reinforcement learning policyと比較。 - 予測誤差の低減とタスク成功率の最大20%向上を確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- fine-tuning、active learning、MPPI-based control、reinforcement learning policyに関する研究。

※ 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: Donghyung Lee, Seyedali Golestaneh, Jaskrit Singh, Zhuoyun Zhong, Athanasios Kapoutsis, Constantinos Chamzas

分類: cs.RO

原文アブストラクト

Manipulating previously unseen objects remains challenging, as their dynamics depend on latent physical properties, such as friction and mass distribution, that cannot be inferred from perception alone. Prior experience across objects can provide an initial estimate of unseen object dynamics, but this estimate remains uncertain and can degrade further during sim-to-real transfer. Adapting the dynamics through interaction can progressively refine the estimation, however, updating the model may invalidate the planned trajectory. Successful and efficient manipulation therefore requires both rapid dynamics adaptation and a planning strategy that can incorporate this evolution. In this work, we introduce MetaPusher, a meta-learning and adaptive planning framework for nonprehensile manipulation of unseen objects without prior object-specific interactions. A meta-learned dynamics model rapidly adapts from interactions during task execution, while an adaptive kinodynamic planner updates long-horizon plans by reusing and refining its existing search tree. This coupling enables manipulation and adaptation without a separate data collection phase. We evaluate MetaPusher on unseen objects in simulation and in sim-to-real scenarios, comparing against fine-tuning and active learning methods, MPPI-based control, and a reinforcement learning policy. It achieves lower prediction error and improves task success rate by up to 20%.

arXivで原文を読む →arXiv概要ページ

MetaPusher: 未知物体の非把持マニピュレーションのためのメタ学習と適応計画

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文