日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2505.19215

複雑形状のペグ挿入における接触多様体学習による高精度姿勢推定

Learning the Contact Manifold for Accurate Pose Estimation During Peg-in-Hole Insertion of Complex Geometries

シェア:XThreadsFacebookLINEはてブBluesky

接触状態のみから複雑なペグと穴のSE(3)姿勢を推定するハイブリッド手法を提案し、接触多様体を学習して高速・高精度な位置合わせを実現した。

詳しい要約

1. どんなもの?

- 複雑な非凸形状のペグと穴の嵌合において、接触状態情報のみから完全なSE(3)姿勢を推定するハイブリッドフレームワーク。 - オンラインで10秒未満のプリミティブなプロービング動作により局所接触部分多様体を構築し、事前計算されたオフライン接触多様体に位置合わせしてサブミリ・サブ度の姿勢推定を実現。 - 産業的に重要な3種類の形状(クリアランス0.1-1.0 mm)で評価し、成功率93.3%を達成。

2. 先行研究と比べてどこがすごい?

- 純粋にモデルベースの手法は不連続な接触ダイナミクスに苦戦し、モデルフリー手法は大量のデータを必要とし精度が不足する。 - 提案手法は接触状態情報のみを用いるハイブリッドアプローチで、高精度かつデータ効率が良い。 - 状態推定なしのプリミティブのみの戦略と比較して成功率が4.1倍向上。 - k-NN探索を排除する軽量ネットワークにより、95倍高速で18%高精度。

3. 技術・手法の肝は?

- 接触状態情報のみを利用し、プリミティブなプロービング動作のシーケンスで局所接触部分多様体をオンライン構築。 - 事前計算されたオフライン接触多様体に局所多様体を位置合わせして姿勢を推定。 - 疎な接触観測を接触多様体上に投影する軽量ネットワークを訓練し、k-NN探索を不要に。 - ネットワークは高速かつ高精度で、オンライン実行時間を短縮。

4. どうやって有効だと検証した?

- 産業的に重要な3種類の形状(クリアランス0.1-1.0 mm)で評価。 - 成功率93.3%を達成し、状態推定なしのプリミティブのみの戦略と比較して4.1倍の改善。 - 軽量ネットワークがk-NN探索より95倍高速で18%高精度であることを確認。 - オンライン実行時間が10秒未満であることを実証。

5. 議論はある?

- 要旨からは不明。 - ただし、複雑な非凸形状の嵌合における接触リッチな組立の課題に対処し、モデルベースとモデルフリーのハイブリッドアプローチの有効性を示唆。 - クリアランスや形状の一般化可能性については議論の余地があるかもしれないが、要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:モデルベース手法、モデルフリー手法、プリミティブのみの戦略、k-NN探索。 - 関連手法として、接触状態推定や接触多様体を用いた姿勢推定、軽量ネットワークによる多様体投影の研究が考えられる。 - 同分野の定番として、peg-in-hole insertionのための学習ベース手法やモデルベース手法の論文が挙げられる。

※ 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: Abhay Negi, Omey M. Manyar, Dhanush Kumar Varma Penmetsa, Satyandra K. Gupta

分類: cs.RO, cs.CG

原文アブストラクト

Contact-rich assembly of complex, non-convex parts with tight tolerances remains a formidable challenge. Purely model-based methods struggle with discontinuous contact dynamics, while model-free methods require vast data and often lack precision. In this work, we introduce a hybrid framework that uses only contact-state information between a complex peg and its mating hole to recover the full SE(3) pose during assembly. In under 10 seconds of online execution, a sequence of primitive probing motions constructs a local contact submanifold, which is then aligned to a precomputed offline contact manifold to yield sub-mm and sub-degree pose estimates. To eliminate costly k-NN searches, we train a lightweight network that projects sparse contact observations onto the contact manifold and is 95x faster and 18% more accurate. Our method, evaluated on three industrially relevant geometries with clearances of 0.1-1.0 mm, achieves a success rate of 93.3%, a 4.1x improvement compared to primitive-only strategies without state estimation.

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. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  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. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI