ForceWAM: 接触を伴う操作のためのデモとプレイデータから未来予測と応答学習を分離する力世界行動モデル
ForceWAM: Decoupling Future and Response Learning from Demo and Play Data for Contact-Rich Manipulation
成功デモから未来の映像と6軸力覚を予測する世界モデルと、デモとタスク非依存のプレイデータから行動を学ぶ逆動力学モデルを分離し、接触の多い操作を高成功率で実現した研究。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Zijun Xu, Wendi Chen, Xinkai Wang, Jiachen Zou, Hongjin Chen, Hairuo Liu, Bokai Lin, Shihao Ma, Ke Ma, Zhiwei Zhang, Zhuohao Yan, Ke Wu, Haoming Song, Xueqi Li, Chuan Wen, Jieru Zhao, Wenchao Ding, Cewu Lu, Lixin Yang
分類: cs.RO
原文アブストラクト
Expert demonstrations show how to complete contact-rich tasks, but provide limited coverage of how interaction forces respond to different actions. Task-agnostic play provides broader experience of contact dynamics without specifying task goals. To fully leverage these two types of data, we introduce ForceWAM, a force world action model that decouples knowledge of task-compatible interaction outcomes from knowledge of how local actions change contact. A world model learns from successful demonstrations to jointly predict future video and six-axis force/torque trajectories. Together, these futures describe the expected evolution of motion and contact during the task. A separate inverse dynamics model (IDM) learns from both task and play, mapping current observations and recorded visual-wrench futures to their associated robot actions. Play data thus provide knowledge of force responses for goal-directed execution. At deployment, the IDM reactively translates generated futures into actions, reusing them with fresh wrench feedback between world-model updates. Across real-robot force-regulated sliding, box flipping with and without disturbances, and ring placement, ForceWAM achieves $85$-$95\%$ mean success, surpassing world-modeling and reactive baselines. Our experiments further show that adding task-agnostic play data improves success by $15$-$45$ percentage points, demonstrating its value for learning contact-rich execution. Project page and code are available at https://force-wam.github.io/.
関連論文
- 接触軌道プロンプティング：単一実演からの接触を伴う動作の文脈内転移マニピュレーション
- 接触を伴う操作のための相互作用潜在表現による行動生成マニピュレーション
- CALM: マルチエージェント強化学習による協調空中マニピュレーションの分散制御マニピュレーション
- PACT: 多指模倣学習のための姿勢整合型ハンド構成・リターゲティング同時設計手法マニピュレーション
- 未知の抵抗下における視覚運動ポリシーのための意図誘導型適応剛性化マニピュレーション
- ロボットマニピュレーションのための身体性を超えたアフォーダンス転移マニピュレーション