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:2610.21349

CQDC-Warp: 接触の多いマニピュレーションのためのGPU加速微分可能準動的シミュレーション

CQDC-Warp: GPU-Accelerated Differentiable Quasi-Dynamic Simulation for Contact-Rich Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

GPU上で並列に動作する微分可能な準動的シミュレータを開発し、接触を考慮した軌道最適化を高速化。Allegroハンドの回転タスクで成功率79.8%を達成し、従来手法より27〜50倍高速化した。

詳しい要約

1. どんなもの？

- 接触の多いマニピュレーションのためのGPU加速微分可能準動的シミュレータCQDC-Warpを提案。 - バッチモデル予測制御（MPC）に使用し、接触誘導軌道最適化を研究。 - 意図したロボット-物体接触を計画前に指定し、ソフトコストで促進。 - シミュレーション力学が接触形状と摩擦応答を決定し、接触モードスケジュールは規定しない。

2. 先行研究と比べてどこがすごい？

- 先行研究のCFreeやIMPACTと比較して、Allegro in-hand rotationベンチマークで成功率79.8%を達成（CFree 73.7%、IMPACT 65.2%）。 - 平均軌道生成時間をそれぞれ27.0倍、50.2倍に短縮。 - 既存の多くのプランナはCPUベースでスループットが限られるが、本手法はGPU加速により大規模並列化を実現。

3. 技術・手法の肝は？

- GPU加速微分可能準動的シミュレータを開発し、バッチMPCを実行。 - 接触誘導軌道最適化を採用：意図した接触をソフトコストで促進し、接触モードスケジュールを事前定義しない。 - シミュレーション力学が接触形状と摩擦応答を決定。 - 単一NVIDIA RTX 4090上で2048並列ワールドを実現し、フォワード/バックワードスループットがそれぞれ2.06e5、2.25e5 world-steps/秒。

4. どうやって有効だと検証した？

- Allegro in-hand rotationベンチマークで17,408試行を実施し、成功率79.8%を達成。 - 比較手法CFree（73.7%）とIMPACT（65.2%）を上回る。 - 平均軌道生成時間をCFree比27.0倍、IMPACT比50.2倍短縮。 - 追加実験：LEAPとShadowハンド、環境接触活用、両手マニピュレーション、全身制御、Sharpaハンドでの実世界軌道リプレイ。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- CFree - IMPACT - Allegro in-hand rotationベンチマーク - LEAP hand - Shadow hand - Sharpa hand

※ 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: Yanchen Ding, Jiayi Chen, Jianfeng Xu, Wei Zhao, Li Yi, He Wang

分類: cs.RO

原文アブストラクト

Efficient synthesis of contact-rich manipulation trajectories is essential for downstream robot learning. Gradient-based planning offers a promising approach, but jointly optimizing motion and contact decisions remains challenging. Meanwhile, many existing planners run on CPUs with limited throughput. We present CQDC-Warp, a GPU-accelerated differentiable quasi-dynamic simulator for batched model predictive control (MPC). We use it to study contact-guided trajectory optimization, in which intended robot--object contacts are specified before planning and encouraged through soft costs, while the simulated dynamics determine contact geometry and frictional response without a prescribed contact-mode schedule. Across $17{,}408$ trials on the $17$-object Allegro in-hand rotation benchmark, our framework achieves $79.8\%$ success, compared with $73.7\%$ for CFree and $65.2\%$ for IMPACT, and reduces mean trajectory-generation time by factors of $27.0$ and $50.2$, respectively. On a single NVIDIA RTX 4090 with $2{,}048$ parallel worlds, forward and backward throughput reach $2.06\times10^5$ and $2.25\times10^5$ world-steps per second, respectively. Further experiments cover manipulation with LEAP and Shadow hands, environmental contact exploitation, bimanual manipulation, whole-body control, and real-world trajectory replay on a Sharpa hand.

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