油圧ショベルによる岩の掘り出し動作の学習

- 油圧ショベルで大きな岩（boulder）を標準のdigging bucketのみで掘り出すタスクを学習する研究。 - 現場では工具交換を避けるため、人間は標準バケットで岩を引きずり出す。 - 対象は不規則形状・未知形状の岩、粉塵・変動照明・occlusion下の屋外環境。 - 土壌抵抗の違い（硬い面でのdragging、軟弱地盤でのpenetrating）への適応と多関節油圧の協調が求められる。 - simulationでrigid-body dynamicsとanalytical soil modelsを用い、reinforcement learning policyを訓練。 - 視覚segmentation由来のsparse LiDAR points（岩あたり20点）とproprioceptive feedbackを入力とする。

- 既存のautonomous excavationは土砂・砂利などの連続媒体か、専用gripperと詳細なgeometric planningを要する離散物体が中心。 - 連続媒体手法は大きな不規則岩を扱えず、専用gripperはworkflowを中断する非実用的なtool changesを必要とする。 - 本研究は標準bucketのみで不規則岩を扱い、sparse perception（岩あたり20 LiDAR点）で動作する点が異なる。 - 土壌抵抗に応じてdraggingとpenetratingを切り替える戦略を自ら獲得する点が新しい。 - 12-ton excavatorでのfield testsで70%成功（人間83%）を達成し、実機での有効性を示した。

- simulationでrigid-body dynamicsとanalytical soil modelsを用いてreinforcement learning policyを訓練。 - 入力はvision-based segmentationから得たsparse LiDAR points（岩あたり20点）とproprioceptive feedback。 - 出力は標準excavator bucketの多関節油圧制御。 - 土壌抵抗の違いに応じ、硬い土では表面をdragging、軟弱地では直接penetratingする戦略を学習。 - 不規則形状の岩をshovelで確保するため複数hydraulic jointsを協調させる。 - 詳細なgeometric planningや専用gripperを必要としない。

- 12-ton excavatorによるfield testsを実施。 - 0.4-0.7mの多様な岩と複数の土壌タイプで評価。 - 学習方策は70%の成功率を達成。 - 人間オペレータの83%と比較して性能を検証。 - 粉塵・変動照明・occlusionを含む屋外環境での有効性を実機で確認。 - sparse perceptionでも複雑なmanipulationが学習可能であることを示した。

- 標準construction equipmentがsparse perceptionと過酷な屋外条件でも複雑なmanipulationを学習できることを示唆。 - 人間（83%）と学習方策（70%）の間には依然として性能差があり、その要因は要旨からは不明。 - 岩サイズ0.4-0.7m・特定土壌タイプでの評価であり、より多様な条件への一般化は要旨からは不明。 - simulationのrigid-body dynamicsとanalytical soil modelsの現実とのギャップの影響は要旨からは不明。 - 20点というsparse LiDARの知覚限界やsegmentation誤差の影響は要旨からは不明。

- 本研究が比較対象とする連続媒体（soil, gravel）向けautonomous excavation研究。 - 専用gripperとgeometric planningを用いる離散物体manipulation研究。 - reinforcement learningを用いた油圧ショベル制御の先行研究。 - vision-based segmentationとsparse LiDAR pointsを用いた屋外知覚研究。 - analytical soil modelsやrigid-body dynamicsに基づくsimulation-to-real transfer研究。