Sim-to-Realマニピュレーションのための因子化触覚表現と制御

- 触覚のsim-to-real学習において、シミュレーションと実機の接触応答のギャップを埋めるための因子化された触覚表現と制御フレームワークを提案。 - 法線力と接触パッチを、接触幾何、力分布、時間的接触変化に分離し、それぞれに特化したエンコーディングとランダム化を行う。 - Tactile Gated Policyにより、これらの表現を制御中も別々に保持し、再学習なしで全てのマスク構成に対応。 - シミュレーションと実世界で応答再構成、空間アライメント、力調整、接触リッチなadversarial peg insertionを評価。

- 従来の触覚sim-to-real学習は、シミュレーションと実機のセンサ応答の違いを直接扱うことが難しく、制御に必要な情報を保持しつつ転移する手法が限られていた。 - 提案手法は触覚応答を因子分解することで、異なる触覚表現の有用性と転移信頼性を独立に評価可能にした点が新しい。 - 因子化されていない応答と比較して、実世界のadversarial peg insertionで35%の改善を達成。 - 接触位置誤差<1 mm、未知形状での力追従誤差1.69 Nを実現。

- 法線力と接触パッチを、接触幾何、力分布、時間的接触変化という3つの因子に分離。 - 各因子に対して表現固有のエンコーディングとランダム化を適用し、シミュレーションと実機のギャップを橋渡し。 - Tactile Gated Policyは、これらの因子化された表現を制御中も別々に保持し、マスク構成に応じてゲート制御。 - 再学習なしで全てのマスク構成に適用可能。

- シミュレーションと実世界で、応答再構成、空間アライメント、力調整、接触リッチなadversarial peg insertionを評価。 - 接触位置誤差<1 mm、未知形状での力追従誤差1.69 Nを達成。 - 実世界のadversarial peg insertionで、因子化されていない応答と比較して35%の改善を確認。 - 異なる触覚表現が異なるインタラクションに利益をもたらすことを示した。

- 異なる触覚表現が異なるインタラクションに利益をもたらすことが示唆され、表現の選択が重要である。 - 因子化により、各表現の有用性と転移信頼性を独立に評価できる。 - 要旨からは、限界や今後の課題についての具体的な議論は不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、tactile sim-to-real learning、domain randomization、adversarial peg insertion、force controlなどが挙げられる。 - 同分野の定番として、sim-to-real transfer、tactile sensing、contact-rich manipulationの論文を読むべき。