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:2609.24511

InsertAnything: シミュレーションから現実への汎化可能な接触リッチ精密挿入

InsertAnything: Generalizable Contact-Rich Precision Insertion from Simulation to Reality

シェア:XThreadsFacebookLINEはてブBluesky

シミュレーションのみで強化学習を行い、実世界のデモや微調整なしに、様々な形状・クリアランスの穴への精密挿入を実現するフレームワークを提案。

詳しい要約

1. どんなもの？

- ロボット組立における接触を伴う精密挿入（contact-rich precision insertion）のための強化学習フレームワーク。 - シミュレーションのみで訓練し、実世界のデモンストレーションやファインチューニングなしで直接展開可能。 - 最小公称クリアランス0.02 mmの複数の穴形状に対して実世界挿入を実現。 - 穴位置誤差下での成功率向上とピーク接触力の低減を達成。 - クロスクリアランスおよびクロスジオメトリ評価でポリシーの汎化を確認。 - ManipulationNetのpeg-in-holeベンチマークでHuman-in-the-Loopプロトコル下で初の20/20満点を達成。 - シミュレーションの六角形挿入タスクのみで訓練した単一ポリシーが、8つの未見実世界挿入タスクで全体成功率95.0%を達成。

2. 先行研究と比べてどこがすごい？

- 従来の接触を伴う精密挿入は、実世界デモンストレーションやポリシーファインチューニングを必要とすることが多いが、本研究はシミュレーションのみで訓練し直接展開可能。 - 実世界デモンストレーションやポリシーファインチューニングなしで、複数の穴形状やクリアランスに汎化する点が優れている。 - 最小公称クリアランス0.02 mmという厳しい条件での実世界挿入を実現。 - 穴位置誤差下での成功率向上とピーク接触力低減を両立。 - ManipulationNetのpeg-in-holeベンチマークでHuman-in-the-Loopプロトコル下で初の20/20満点を達成。 - シミュレーションの六角形挿入タスクのみで訓練した単一ポリシーが、8つの未見実世界挿入タスクで95.0%の成功率を達成。

3. 技術・手法の肝は？

- 強化学習フレームワークを用い、シミュレーションのみで挿入ポリシーを訓練。 - 目標姿勢（target poses）とコンパクトな3次元指先力フィードバック（compact three-dimensional fingertip force feedback）を組み合わせる。 - 推定穴位置の誤差があっても、ポリシーがアライメントを探索し運動を修正することを学習。 - 分離ゲート報酬（decoupled gated reward）がアライメントと挿入を調整。 - 力信号平滑化（force-signal smoothing）と状態非依存標準偏差（state-independent standard deviations）が学習プロセスを安定化。

4. どうやって有効だと検証した？

- 実世界での挿入実験を複数の穴形状に対して実施し、最小公称クリアランス0.02 mmで成功を確認。 - 穴位置誤差下での成功率向上とピーク接触力の低減を検証。 - クロスクリアランスおよびクロスジオメトリ評価を実施し、ポリシーの汎化を確認。 - ManipulationNetのpeg-in-holeベンチマークでHuman-in-the-Loopプロトコル下で20/20の満点を達成（完全自律挿入動作）。 - シミュレーションの六角形挿入タスクのみで訓練した単一ポリシーが、8つの未見実世界挿入タスクで全体成功率95.0%を達成。

5. 議論はある？

- シミュレーションのみで学習した精密挿入スキルが直接展開可能で、実世界タスク間で再利用可能であることを示す。 - 穴位置誤差や形状・クリアランスの変動に対するロバスト性と汎化性能が確認された。 - プロジェクトウェブサイトでオープンソースのシミュレーションおよび実ロボット実験スクリプト、アセット、訓練済みチェックポイントを提供。 - 限界や課題については要旨からは不明。

6. 次に読むべき論文は？

- ManipulationNetのpeg-in-holeベンチマーク（Human-in-the-Loopプロトコル） - 強化学習を用いた接触を伴う挿入に関する先行研究（具体的な論文名は要旨に記載なし） - シミュレーションから実世界への転移（sim-to-real transfer）に関する研究 - 接触リッチなマニピュレーションのための力フィードバック制御 - 精密挿入のための報酬設計と安定化手法

※ 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: Zhenghua Ma, Xinpan Meng, Zeyu Liu, Muyuan Ma, Hengdi Zhang, Houcheng Li, Long Cheng

分類: cs.RO

原文アブストラクト

Contact-rich precision insertion is a key manipulation skill in robotic assembly. Tight clearances make insertion more sensitive to alignment errors and prone to collisions and jamming, while variations in geometry and clearance across parts further complicate policy reuse. We present a reinforcement learning framework that trains insertion policies entirely in simulation for direct deployment without real-world demonstrations or policy fine-tuning. By combining target poses with compact three-dimensional fingertip force feedback, the policy learns to search for alignment and correct its motion despite errors in the estimated hole position. A decoupled gated reward coordinates alignment and insertion. Force-signal smoothing and state-independent standard deviations stabilize the learning process. The resulting policies perform real-world insertion across multiple hole geometries with a minimum nominal clearance of 0.02 mm and improve success while reducing peak contact forces under hole-position errors. Cross-clearance and cross-geometry evaluations further confirm policy generalization. The system achieved the first perfect score of 20/20 on ManipulationNet's peg-in-hole benchmark under its Human-in-the-Loop protocol, with fully autonomous insertion motions. A single policy trained only on a simulated hexagonal insertion task achieved an overall success rate of 95.0% across eight unseen real-world insertion tasks. These results show that learning entirely in simulation can yield precision insertion skills that can be deployed directly and reused across real-world tasks. The project website (https://mzhsoul.github.io/InsertAnything/) provides open-source simulation and real-robot experiment scripts, assets, and trained checkpoints.

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