未知のペイロード下での精密足場のための動力学のオンライン認識を伴う歩行

未知のペイロードがロボットの動力学を変化させ、狭い足場での精密な接触実行を困難にする問題に対し、LOADという知覚ロコモーションフレームワークを提案。狭いビーム(梁)の横断において、明示的な慣性推定と暗黙的な動力学特徴を組み合わせる。固有感覚から胴体の慣性変化とタスク関連履歴を別々のrecurrentモジュールで推論し、height-map teacherをdepth-based studentに蒸留する。

従来のロコモーション手法と比べ、未知のペイロード下での精密な足場配置を扱う点が新しい。明示的な慣性推定と暗黙的な動力学特徴を併用することで、ground-truthの慣性パラメータを与えられたprivileged policyの性能に近づく。暗黙的動力学特徴は学習を加速し、明示的慣性推定は横断成功率をさらに向上させる。

固有感覚から胴体の慣性変化を推論するrecurrentモジュールと、タスク関連履歴を推論する別のrecurrentモジュールを用意。height-map teacherをdepth-based studentに蒸留し、深度画像から高さマップを推定。明示的な慣性推定と暗黙的な動力学特徴を組み合わせてロコモーション制御に利用。

シミュレーションとハードウェアで、ビーム幅とペイロード構成を変えてLOADとその変種を広範囲に評価。ハードウェア実験では、10 cmビームで片側6 kg、15 cmビームで片側9 kg、15 cmビームで均等分散11 kgのペイロードを載せた横断を実証。

結果は、未知の負荷下での精密ロコモーションには物理的推定と履歴特徴の組み合わせが有効であることを支持。暗黙的動力学特徴が学習を加速し、明示的慣性推定が成功率を改善することを示す。ただし、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。

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、privileged policy、height-map teacher、depth-based student、recurrentモジュール、ドメインランダム化、sim-to-real転移などが挙げられる。同分野の定番として、perceptive locomotionやpayload-aware locomotionの論文を読むとよい。