KARL: カルマンフィルタ支援強化学習による動的物体の追跡と把持

- 本論文は KARL (Kalman-filter Assisted Reinforcement Learner) を提案する研究。 - eye-on-hand (EoH) システム上での動的物体の tracking と grasping を対象とする。 - 実環境での難易度の高いタスクへの拡張を狙う。 - 強化学習 (RL) と Kalman filter を組み合わせたシステム。

- 先行 state-of-the-art と比較して3点を改善。 - 6段階の RL curriculum を導入し、システムの運動範囲を2倍に拡大。 - perception と RL control の間に Kalman filter 層を挿入。 - 対象が camera の field-of-view 外に出た場合や急激な動きでも不確実ながら連続的な 6D pose 推定を維持。 - 避けられない policy 実行失敗からの retry による回復機構を導入。

- 核となるのは Kalman filter を perception と RL control の間に挟む構成。 - 6段階の RL curriculum により学習を段階的に進め運動範囲を拡大。 - Kalman filter 層で不確実かつ連続的な 6D pose estimate を維持。 - policy 実行失敗に対する retry 機構を組み込む。 - 詳細なアルゴリズムは要旨からは不明。

- simulation と real-world の両方で評価を実施。 - 定性的・定量的に先行システムとの比較を実施。 - より高い grasp success rate とより速い robot execution speed を達成したと報告。 - 具体的な数値・被験物体・試行回数は要旨からは不明。

- 要旨からは不明。 - 想定される論点として Kalman filter の不確実性モデルや retry 機構の限界が考えられるが、要旨には明記なし。

- 要旨で直接参照されている先行 state-of-the-art の論文（名称は要旨からは不明）。 - eye-on-hand (EoH) システムに関する関連研究。 - RL curriculum を用いた grasping 研究。 - Kalman filter を用いた 6D pose tracking 研究。 - 公開予定の source code (https://github.com/arc-l/karl) と supplementary materials。