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
移動操作arXiv:2610.13087

信念重複部分逆変換:ヒューマノイドの移動操作のための物体中心フロー再計画

Belief-Overlap Partial Inversion: Object-Centric Flow Replanning for Humanoid Loco-Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

未知の質量やキャスタ剛性を持つカートを押すヒューマノイドのため、オンライン推定・フロー計画・全身制御を統合し、信念の変化に応じて計画を部分的に修正するBOPIを提案。シミュレーションで誤差を大幅に削減し、実機でもカートの移動と旋回を実現した。

詳しい要約

1. どんなもの?

- 未知の質量とキャスタ剛性を持つカートを人型ロボットが押すタスクを扱う。 - 小さな探索的押しから物体の動きを学習し、次の動作に活かす。 - 物体中心のフレームワークで、オンライン推定、フローベース計画、全身制御をループで閉じる。 - 信念が変化するたびに計画を置き換えると進行中の操作が乱れ、維持すると証拠に反する経路に留まるという緊張関係がある。 - Belief-Overlap Partial Inversion (BOPI) を提案し、信念の一致度に応じて修正をスケールする。

2. 先行研究と比べてどこがすごい?

- 固定深さのリプランニングと比較して、18のシミュレーション目標で最終位置誤差を約33%、ヨー誤差を約47%低減。 - ハードウェアでも非ホロノミックカートの並進と旋回を実現。 - 従来のリプランニング手法が抱える、計画の頻繁な置き換えによる操作の中断と、古い計画に固執することによる誤りのトレードオフを緩和。

3. 技術・手法の肝は?

- オンライン推定、フローベース計画、全身制御を統合した物体中心のループを構築。 - BOPIは、古い信念の下でフローを反転させ、信念が不一致な部分だけを新しい信念で再構築する。 - 信念の一致度に応じて修正の度合いを調整する。

4. どうやって有効だと検証した?

- シミュレーションで18の目標に対して評価し、固定深さリプランニングと比較して最終位置誤差とヨー誤差を低減。 - ハードウェア実験で非ホロノミックカートの並進と旋回を実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は固定深さリプランニングのみ。関連手法として、フローベース計画、オンライン推定、全身制御、非ホロノミックカートの操作に関する研究が挙げられる。

※ 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: Chen Yu, Sudarshan S Harithas, Juan Borbon, Dingqi Zhang, Jiuguang Wang

分類: cs.RO

原文アブストラクト

People often learn how an unfamiliar object moves through a small exploratory push, using its response to guide their next motion. Inspired by this behavior, we study humanoids pushing carts whose mass and caster stiffness are initially unknown. Our object-centric framework closes online estimation, flow-based planning, and whole-body control into a loop, creating a tension: replacing the plan whenever the belief shifts disrupts the maneuver under way, while keeping it strands the robot on a path its evidence has ruled out. Belief-Overlap Partial Inversion (BOPI) scales revision to agreement, inverting the flow under the old belief only as far as the beliefs disagree before reconstructing under the new one. Across 18 simulated goals it lowers pooled final position and yaw error by roughly 33% and 47% against fixed-depth replanning, and on hardware it translates and turns a non-holonomic cart.

関連論文

PR本紙発行元 EmplifAI