日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

歩行arXiv:2611.19775

回復誘導型モデルベース拡散による安全重視の脚式移動

Recovery-Guided Model-Based Diffusion for Safety-Critical Legged Locomotion

シェア:XThreadsFacebookLINEはてブBluesky

短い予測ホライズンでも回復方策の最悪ケース余裕を学習した批評家で評価し、安全性を保ちつつ計算効率よく脚式ロボットの障害物回避を実現した。

詳しい要約

1. どんなもの?

- 安全クリティカルな高速脚式ロコモーションのための計画フレームワーク。 - recovery-guided model-based diffusion (MBD) を提案。 - 短horizonのtrajectory optimizationに、学習済みのterminal recovery criticを組み込む。 - criticは指定されたrecovery policyのrolloutに沿ったworst-case future clearance marginを近似する。 - Unitree Go2の障害物回避タスクを対象とする。

2. 先行研究と比べてどこがすごい?

- 短いprediction horizonはrolloutコストを下げるが安全性の先読みが限られ、厳しい安全制約はfeasible trajectory spaceを大きく狭めるという課題がある。 - 提案法はterminal recovery criticにより短horizonでも将来のrecoverabilityを考慮できる点が特徴。 - long-horizon MBD baselinesと比べて大幅に少ない計算量で、zero collisions・98% strict-clearance successを達成したと報告。 - 具体的な先行研究名との比較は要旨からは不明。

3. 技術・手法の肝は?

- 短horizon trajectory optimizationに、学習したterminal recovery criticを統合する。 - criticはdesignated recovery policyのrolloutにおけるworst-case future clearance marginを近似する。 - feasibility-guided refinement strategyを導入し、各sampling stageでwithin-horizon constraintsとterminal recoverabilityを組み合わせる。 - feasible elitesを保持することでsampling-support lossを緩和する。 - 全体としてmodel-based diffusion (MBD) の枠組みで安全性と計算効率を両立させる。

4. どうやって有効だと検証した?

- 50 paired randomized Unitree Go2 obstacle-avoidance trialsで検証。 - 提案法はzero collisionsを達成。 - 98% strict-clearance successを達成。 - long-horizon MBD baselinesよりsubstantially less computationを要したと報告。 - 詳細な比較指標や統計手法は要旨からは不明。

5. 議論はある?

- 短horizonと安全性先読みのトレードオフをterminal recovery criticで補う設計の有効性が示唆される。 - feasible elites保持によるsampling-support loss緩和の効果が議論の対象と考えられるが、要旨では定量的な議論は不明。 - recovery policyの設計やcriticの近似精度、他タスクへの汎化性については要旨からは不明。 - 実機実験の詳細やsim-to-realの議論は要旨からは不明。

6. 次に読むべき論文は?

- long-horizon MBD baselines(具体的な論文名は要旨からは不明)。 - model-based diffusion (MBD) の関連研究。 - recovery policyおよびterminal recovery criticに関する学習ベースの安全性研究。 - legged locomotionの安全クリティカルなtrajectory optimizationに関する定番研究(例: MPCベースの手法)。

※ 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: Lei Zheng, Shivam Sood, Mithun Vanniasinghe, Guillaume Sartoretti, Armin Lederer

分類: cs.RO

原文アブストラクト

Safety-critical high-speed legged locomotion requires motion planners to balance safety foresight with online computational efficiency. Although short prediction horizons reduce rollout costs, they provide limited safety foresight, and strict safety constraints severely restrict the feasible trajectory space. We propose a recovery-guided model-based diffusion (MBD) framework for safety-critical legged locomotion. It incorporates a learned terminal recovery critic into short-horizon trajectory optimization. Specifically, the critic approximates the worst-case future clearance margin along rollouts of a designated recovery policy. We introduce a feasibility-guided refinement strategy that combines within-horizon constraints and terminal recoverability at each sampling stage, while retaining feasible elites to mitigate sampling-support loss. Across 50 paired randomized Unitree Go2 obstacle-avoidance trials, our approach achieves zero collisions and 98% strict-clearance success, while requiring substantially less computation than long-horizon MBD baselines. A project page is available at https://zack4417.github.io/rg-mbd/.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2Google DeepMind、ロボット向けAIを発表新製品・発表
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4パナソニックHDなど、触覚に即応する両手作業AI「T-Rex」を共同開発研究・技術
  5. 5SoftBank主導、Agile Robotsが5億ドル調達 NVIDIAと日立も参加資金調達

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI