マニピュレーション2026/10/27arXiv:2610.37535

スイングを予測し速度を合わせる：学習型ステレオビジョンと残差強化学習によるパイプ挿入ロボット

Predict the Swing, Match the Speed: Robotic Pipe Stabbing With Learned Stereo Vision and Residual Reinforcement Learning

シェア:X Threads Facebook LINE はてブ Bluesky

吊り下げられたパイプの揺れをカルマンフィルタとResNet-18で予測・位置推定し、残差強化学習で速度を合わせて挿入するStabBotを開発。従来ガイドの成功率74%に対し全200件で成功し、接触速度と力を大幅に低減した。

詳しい要約

1. どんなもの？

- 石油・ガス掘削の pipe stabbing（管の接続作業）を自動化するロボットシステム StabBot の提案 - elevator から吊られた pipe joint が揺れて stabbing guide に衝突する動作を予測し、その速度に合わせて捕捉する - 6軸アーム＋開放V字型 roller head で構成され、stereo vision と residual reinforcement learning を組み合わせる - 対象は 2-3/8-in. tubing から 20-in. casing までの9サイズ

2. 先行研究と比べてどこがすごい？

- 従来の固定式 stabbing guide と比較して、200組のランダムジョブで全成功（100%）に対し従来は74% - pipe は roller のみに接触し、固定ガイドへの衝突を回避 - 中央値の接触速度が 18.4 から 2.3 cm/s に低減 - 中央値の head-pipe ピーク力が 11.3 から 1.4 kN に低減し、全200ジョブで力が低い（Wilcoxon p < 10^-30）

3. 技術・手法の肝は？

- pendulum Kalman filter を pipe tally から調整し、stereo 画像上で joint を追跡 - ResNet-18 keypoint network が pipe、pin nose、box mouth を3次元で位置推定 - residual reinforcement-learning policy が捕捉動作を微調整 - 6軸アームが速度を合わせて接近し、最後の数mmは touch で確認、elevator が偏心時は pin を box 上に狙い、lateral compliance で block を追従

4. どうやって有効だと検証した？

- 1:4 Froude-scaled MuJoCo モデルで実験し、フルスケールに換算して報告 - 9サイズ・200組のランダムジョブで従来固定ガイドと比較 - network は stereo pair あたり 2.3 ms で中央値 0.4 mm の位置誤差 - network をループ内に置き、20 mm の追加ノイズ、300 ms 遅延、85% フレーム損失、20 mm キャリブレーションオフセット、20 cm elevator オフセット、40 cm の揺れに対して成功率100%を維持

5. 議論はある？

- 結果はすべて MuJoCo 上の Froude-scaled モデル由来であり、実機での検証は要旨からは不明 - 実環境のノイズ・遅延・フレーム損失に対する頑健性はシミュレーション内で示されている - 実フィールドでの適用性やスケール依存の誤差については要旨からは不明

6. 次に読むべき論文は？

- 比較対象として conventional fixed stabbing guide が挙げられている - 手法関連として pendulum Kalman filter、ResNet-18 keypoint network、residual reinforcement learning が参照されている - 同分野の定番として sim-to-real transfer や visual servoing に関する研究を次に読むべき

※ 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: Mohamed Ashraf Mostafa, Taher El-Fakharany, Samir Khaled

分類: cs.RO

原文アブストラクト

A joint of pipe run into the hole swings from the elevator over the well and strikes a fixed stabbing guide at whatever speed the swing has. StabBot, a robotic stabbing system, predicts the swing and meets the pipe at its own speed. A pendulum Kalman filter tuned from the pipe tally tracks the joint in stereo images. A six-axis arm with an open V-shaped roller head closes in at matched velocity, confirms the last millimetres by touch, aims the pin over the box when the elevator hangs off centre, and follows the block down with lateral compliance. A ResNet-18 keypoint network locates the pipe, pin nose and box mouth in 3-D, and a residual reinforcement-learning policy refines the capture. On 200 paired random jobs with nine sizes from 2-3/8-in. tubing to 20-in. casing, StabBot seated every joint with the pipe touching only rollers, against 74% for a conventional fixed guide. Median contact speed fell from 18.4 to 2.3 cm/s and median peak head-pipe force from 11.3 to 1.4 kN, and the force was lower in all 200 jobs (Wilcoxon $p < 10^{-30}$). The network locates the pipe with 0.4-mm median error in 2.3 ms per stereo pair. With the network in the loop, success stayed at 100% under 20 mm of added noise, 300-ms delay, 85% frame loss, 20-mm calibration offset, 20-cm elevator offset and 40-cm swings. All results come from a 1:4 Froude-scaled MuJoCo model and are reported at full scale.

arXivで原文を読む →arXiv概要ページ

スイングを予測し速度を合わせる：学習型ステレオビジョンと残差強化学習によるパイプ挿入ロボット

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？

原文アブストラクト

関連論文