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:2609.31225

Imp-ACT: 適応インピーダンス制御とTransformerによるアクションチャンキングで接触の多いマニピュレーションをデモから学習

Imp-ACT: Adaptive Impedance Control and Action Chunking with Transformers to Learn Contact-Rich Manipulation from Demonstrations

シェア:XThreadsFacebookLINEはてブBluesky

テレオペレーション中に自己調整インピーダンス制御で運動方向の剛性を適応させ、その剛性を視覚・固有感覚・力覚と共に記録し、TransformerベースのACTで把持動作と剛性を予測する手法を提案。拭き取りやプラグ挿入で低接触力と高成功率を実現。

詳しい要約

1. どんなもの？

- 接触を伴う操作(contact-rich manipulation)のための模倣学習手法。 - 方向依存のCartesian stiffness変調をデモ収集に組み込む。 - 手動でのstiffness選択やオフラインでの目標再構成を不要にする。 - 遠隔操作時に自己調整型impedance controllerが運動方向に沿ってstiffnessを適応。 - 適応stiffnessを視覚観測・動作コマンドと共に記録。 - ACT(Action Chunking with Transformer)でend-effector pose、gripper action、運動方向stiffnessを予測。

2. 先行研究と比べてどこがすごい？

- 多くのvisual-action policyはcomplianceをcontrollerレベルで固定。 - 従来は手動でのstiffness選択やオフラインでの目標再構成が必要だった。 - Imp-ACTはデモ収集時に方向依存stiffness変調を直接組み込む。 - 固定低stiffness・固定高stiffnessベースラインと比較。 - 同等以上の成功率を維持しつつ低い接触力を実現。

3. 技術・手法の肝は？

- 遠隔操作中に自己調整型impedance controllerが運動方向のstiffnessを適応。 - 直交方向のcomplianceは維持。 - 適応stiffnessを視覚観測・動作コマンドと共に記録。 - ACTでend-effector pose、gripper action、運動方向stiffnessを予測。 - 入力は視覚・固有感覚(proprioceptive)・wrench観測。

4. どうやって有効だと検証した？

- wipingとplug insertionで評価。 - 成功率と接触挙動の定量的指標を使用。 - 固定低stiffness・固定高stiffnessベースラインと比較。 - wipingでは接触力振動をcompliant baseline比で約29倍、stiff baseline比で約180倍低減。 - plug insertionでは挿入方向に直交する力をより良い固定stiffnessベースライン比で43%低減。

5. 議論はある？

- タスク実行に必要な方向に十分なstiffnessを維持しつつ、他方向のcomplianceを保つことの利点を強調。 - これにより接触力を制限し環境制約に適応。 - 具体的な限界や失敗事例、一般化可能性については要旨からは不明。

6. 次に読むべき論文は？

- Action Chunking with Transformer (ACT) - impedance control - visual-action policy - 固定stiffnessベースライン - 接触を伴う操作の模倣学習に関する研究

※ 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: Luca Zanetti, Doganay Sirintuna, Idil Ozdamar, Pietro Balatti, Heng Zhang, Arash Ajoudani

分類: cs.RO

原文アブストラクト

Contact-rich manipulation requires robots to balance accurate motion tracking with compliant interaction, yet most visual-action policies leave compliance fixed at the controller level. We present Imp-ACT, a methodologically grounded and practical approach to incorporating direction-dependent Cartesian stiffness modulation directly into demonstration collection, without manual stiffness selection or offline target reconstruction. During teleoperation, a self-tuning impedance controller adapts stiffness along the instantaneous direction of motion while maintaining compliance in orthogonal directions. The adapted stiffness is applied and recorded alongside visual observations and motion commands, capturing motion and compliance under the same dynamics. We implement this pipeline using Action Chunking with Transformer (ACT) to predict end-effector pose, gripper action, and motion-direction stiffness from visual, proprioceptive, and wrench observations. The performance of Imp-ACT is evaluated on wiping and plug insertion using both success rate and quantitative measures of contact behavior. Compared with fixed low- and high-stiffness baselines, Imp-ACT achieves comparable or higher success while maintaining low interaction forces. In wiping, it reduces contact-force vibration by approximately $29\times$ relative to the compliant baseline and $180\times$ relative to the stiff baseline. In plug insertion, it reduces forces orthogonal to the insertion direction by $43\%$ relative to the better fixed-stiffness baseline. These results highlight the benefit of maintaining sufficient stiffness along the direction needed for task execution while preserving compliance in other directions to limit contact forces and accommodate environmental constraints.

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