日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マニピュレーションarXiv:2609.21497

FORTE: 移動マニピュレータのためのタスク適応型力能力最適化

FORTE: Task-Adaptive Force Capability Optimization for Mobile Manipulators

シェア:XThreadsFacebookLINEはてブBluesky

VLMで物体の物理特性を推定し、タスク要求力と残余力ポリトープの整合性を指標化して、全身軌道最適化に組み込むことで、重負荷時は力能力を、軽負荷時は操作性を両立させる移動マニピュレータ制御手法を提案。

詳しい要約

1. どんなもの？

- 冗長な mobile manipulator のための task-oriented force capability optimization framework である FORTE を提案する。 - Vision-Language Model (VLM) が RGB 画像と task description から物体の物理特性を推論し、重力・慣性需要を含む desired task-force sequence を生成する。 - task-oriented force capability metric を task-force uncertainty ball と dynamic residual force polytope (RFP) の signed distance として定義する。 - この metric を manipulability、joint-limit avoidance、trajectory smoothness、base-oscillation suppression と共に whole-body multi-objective trajectory-o…

2. 先行研究と比べてどこがすごい？

- 既存の redundancy resolution 手法は task-specific force demands を無視するか、force capability を無差別に最大化し、大きな force margin が不要な場合に dexterity を犠牲にしていた。 - 提案手法は heavy loads では十分な force capability を提供しつつ、light loads では高い manipulability を保つ task-adaptive balance を実現する。 - 固定の capability-maximizing baselines (RFP inscribed radius, RFP cone) や manipulability-only optimization では達成できないバランスを実現する。

3. 技術・手法の肝は？

- VLM により RGB 画像と task description から物体の物理特性を推論し、desired task-force sequence を生成する。 - task-oriented force capability metric を task-force uncertainty ball と dynamic residual force polytope (RFP) の signed distance として定義する。 - この metric を manipulability、joint-limit avoidance、trajectory smoothness、base-oscillation suppression と共に whole-body multi-objective trajectory-optimization 問題に組み込む。 - 実装は https://github.com/yeying256/FORTE で公開されている。

4. どうやって有効だと検証した？

- mobile manipulator を用いて lifting と single-point-holding タスクを varying payload conditions の下で実行する実験を行った。 - 提案手法が heavy loads で十分な force capability を提供し、light loads で高い manipulability を保つことを示した。 - 固定の capability-maximizing baselines (RFP inscribed radius, RFP cone) と manipulability-only optimization との比較により有効性を検証した。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- RFP inscribed radius - RFP cone - manipulability-only optimization - Vision-Language Model (VLM) を用いた物体物理特性推論の関連研究

※ 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: Xiao Wang, Heng Zhang, Gokhan Solak, Fei Zhao, Arash Ajoudani

分類: cs.RO

原文アブストラクト

Effective physical interaction control in robotic manipulation requires not only kinematically feasible motion but also sufficient force-interaction capability. Existing redundancy resolution methods often ignore task-specific force demands or maximize the force capability indiscriminately, sacrificing dexterity when large force margins are unnecessary. We propose a task-oriented force capability optimization framework for redundant mobile manipulators. A Vision-Language Model (VLM) infers object physical properties from an RGB image and a task description, generating a desired task-force sequence that captures gravitational and inertial demands. We then define a task-oriented force capability metric as the signed distance between a task-force uncertainty ball and the dynamic residual force polytope (RFP), quantifying compatibility between task demands and the robot's remaining actuation capacity. This metric is incorporated, alongside manipulability, joint-limit avoidance, trajectory smoothness, and base-oscillation suppression, into a whole-body multi-objective trajectory-optimization problem. Experiments on a mobile manipulator performing lifting and single-point-holding tasks under varying payload conditions demonstrate that the proposed method provides sufficient force capability for heavy loads while preserving high manipulability for light loads. This yields a task-adaptive balance that fixed capability-maximizing baselines (RFP inscribed radius, RFP cone) and manipulability-only optimization fail to achieve. The core implementation is publicly available at https://github.com/yeying256/FORTE.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI