日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

sim2realarXiv:2508.14042

最適化経路整形によるコンベア上の動的物体操作のSim-to-Real転移

Sim-to-Real Dynamic Object Manipulation on Conveyor Systems via Optimization Path Shaping

シェア:XThreadsFacebookLINEはてブBluesky

シミュレータで生成したデモを用いた模倣学習において、外観ノイズのアニーリングで形状情報を優先させるGEMを提案し、コンベア上の動的物体操作を実環境へ転移させた。

詳しい要約

1. どんなもの?

- コンベアシステム上での動的物体操作を対象とした研究 - 製造効率向上のため、シナリオごとの専用設計を不要にする汎化可能な操作を目指す - imitation learning を採用し、シミュレータでデモを生成して実世界へ転移する sim-to-real 手法 - 提案手法は Geometry-Enhanced Model (GEM) - 実食堂での食器回収に展開し、10,000回以上の操作で97%超の成功率を報告

2. 先行研究と比べてどこがすごい?

- imitation learning の汎化はデモ増強で改善できるが、デモ収集は労力が大きく、公開データも乏しい - 本研究はシミュレータでデモを生成することでデータ不足問題に対処 - シミュレーション利用の課題である実世界観測との見た目ギャップに対し、GEM を提案 - 背景・ロボット embodiment・運動ダイナミクス・物体形状をまたぐ汎化を実験で示す点が特徴 - テストシーンデータなしで実食堂に展開し97%超の成功率を達成

3. 技術・手法の肝は?

- シミュレータ上でデモを生成し imitation learning のポリシーを学習 - Geometry-Enhanced Model (GEM) を設計 - appearance noise annealing strategy を導入 - この戦略でポリシーの最適化経路(optimization path)を整形し、観測中の幾何情報を優先させる - 見た目ギャップの影響を抑えつつ形状情報に依存した汎化を狙う

4. どうやって有効だと検証した?

- シミュレーションおよび実世界タスクで広範な実験を実施 - 環境背景、ロボット embodiment、運動ダイナミクス、物体形状をまたぐ汎化を評価 - 実食堂の食器回収に GEM を配備 - テストシーンデータなしで10,000回以上の操作において97%超の成功率を達成

5. 議論はある?

- 要旨からは不明 - 明示されているのは、シミュレーションデータ利用時の見た目ギャップへの対処と、実環境での高い成功率 - 限界や失敗要因、計算コスト、デモ生成の詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- imitation learning による sim-to-real 物体操作の関連研究 - appearance gap や domain randomization に関する研究 - コンベア上の動的物体操作データセット/ベンチマーク - 要旨で参照・比較されている個別研究は明記されていないため、同分野の定番として上記一般名を挙げる

※ 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: Zhuoling Li, Jinrong Yang, Yong Zhao, Liangliang Ren, Xiaoyang Wu, Zhenhua Xu, Hengshuang Zhao

分類: cs.RO

原文アブストラクト

Realizing generalizable dynamic object manipulation on conveyor systems is important for enhancing manufacturing efficiency, as it eliminates specialized engineering for different scenarios. To this end, imitation learning emerges as a promising paradigm, leveraging expert demonstrations to teach a policy manipulation skills. Although the generalization of an imitation learning policy can be improved by increasing demonstrations, demonstration collection is labor-intensive. Besides, public dynamic object manipulation data is scarce. In this work, we address this data scarcity problem via generating demonstrations in a simulator. A significant challenge of using simulated data lies in the appearance gap between simulated and real-world observations. To tackle this challenge, we propose Geometry-Enhanced Model (GEM), which employs our designed appearance noise annealing strategy to shape the policy optimization path, thereby prioritizing the geometry information in observations. Extensive experiments in simulated and real-world tasks demonstrate that GEM can generalize across environment backgrounds, robot embodiments, motion dynamics, and object geometries. Notably, GEM is deployed in a real canteen for tableware collection. Without test-scene data, GEM achieves a success rate of over 97% across more than 10,000 operations.

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