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
空中マニピュレーションarXiv:2610.30810

LLM支援による能動的タスク生成を用いた適応型空中移動マニピュレーションポリシー学習

Adaptive Aerial Loco-Manipulation Policy Learning via LLM-Assisted Proactive Task Generation

シェア:XThreadsFacebookLINEはてブBluesky

空中ロボットのアーム動作による重心変動や外乱に対応するため、LLMで制御困難を分析し新タスクを生成する進化的手法と、履歴情報を活かす文脈適応型飛行ポリシーALMAを提案した論文。

詳しい要約

1. どんなもの？

- 空中ロコマニピュレーション（aerial loco-manipulation）のための適応型飛行制御フレームワーク ALMA を提案 - アーム指令（external arm commands）下で、機体が3次元軌道追従しつつ、アーム運動・環境相互作用による CoM 変動・慣性変化・力/モーメント外乱に対処 - contextual flight policy と LLM 支援の進化的タスク生成を組み合わせる - シミュレーションで学習し、実機の aerial manipulator へ zero-shot 転移

2. 先行研究と比べてどこがすごい？

- 従来制御は明示モデルと推定で外乱を扱い、学習ベース制御は経験から動力学を推論 - しかし制御 reward は履歴から保持した応答情報に直接目標を与えず、固定タスクサンプリングでは持続的追従困難が十分探索されない - ALMA は action-conditioned prediction で context に飛行制御関連の応答情報を保持させ、LLM で制御困難を分析し新たなアーム運動構造を提案して適応経験を拡張 - シミュレーションで position RMSE を最强 baseline 比最大 24.7% 低減、周期アーム運動時の hover position RMSE を real-world baseline 比 79.6% 低減

3. 技術・手法の肝は？

- contextual flight policy：直近の測定と行動から適応 - action-conditioned prediction of future measurement representations を用い、context が飛行制御に有用な応答情報を保持するよう訓練 - evolutionary process で LLM が観測された制御困難を分析し、後続訓練用の新規アーム運動構造を提案 - 外部アーム指令下の適応飛行制御を学習ベースで実現

4. どうやって有効だと検証した？

- シミュレーション評価で position RMSE を最强 baseline 比最大 24.7% 低減 - 同一 policy を aerial manipulator へ zero-shot 転移 - 周期アーム運動中の hover position RMSE を real-world baseline 比 79.6% 低減 - 詳細な実験設定・baseline 名は要旨からは不明

5. 議論はある？

- 要旨からは不明 - 明示モデル/推定に依拠しない学習ベース適応の限界や、LLM 生成タスク構造の汎化性・安全性に関する議論は要旨に記載なし

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的な先行研究名は不明 - 関連手法として learning-based flight control、contextual policy / action-conditioned prediction、LLM-assisted task generation、aerial manipulator の zero-shot transfer 関連研究を挙げる

※ 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: Jingyu Ru, Xiangyuan Xie, Lixuan Jin, Jian An, Xingming Zhang, Binghao Li, Siyu Wang, Xiang Zhou, Lei Yuan, Hongli Xu, Yang Yu

分類: cs.RO

原文アブストラクト

Loco-manipulation extends the workspace of conventional manipulation by combining mobility with physical interaction, while aerial loco-manipulation further expands this capability into three-dimensional space, enabling robots to reach environments inaccessible to ground-based systems. Moving to an aerial platform, however, gives rise to a demanding control problem, since the vehicle must track trajectories accurately in three dimensions while the motion of the arm and its interaction with the environment continuously shift the center of mass, alter the inertia, and impose force and moment disturbances on the body. Conventional controllers address these effects through explicit models and estimation, whereas learning-based controllers infer dynamics from experience, yet control rewards provide no direct target for the response information retained from history, and fixed task sampling can leave persistent tracking difficulties insufficiently explored. We present ALMA, an aerial loco-manipulation framework for adaptive flight control under external arm commands. ALMA employs a contextual flight policy that adapts from recent measurements and actions, using action-conditioned prediction of future measurement representations to train its context to retain response information relevant to flight control. To expand the experience available for this adaptation, an evolutionary process uses a large language model (LLM) to analyze observed control difficulties and propose new structures of arm motion for subsequent training. In simulation, ALMA reduces position root-mean-square error (RMSE) by up to 24.7% relative to the strongest baseline, while the same policy transfers zero-shot to the aerial manipulator and reduces hover position RMSE by 79.6% during periodic arm motion relative to the real-world baseline.

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