日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

人間-ロボット協調/衝突回避arXiv:2510.03496

予測誘導型A-RRT*による能動的人間-ロボット衝突回避のためのデジタルツイン評価

Digital-Twin Evaluation for Proactive Human-Robot Collision Avoidance via Prediction-Guided A-RRT*

シェア:XThreadsFacebookLINEはてブBluesky

人間の関節ごとの動作をCNN-BiLSTMで予測し、カプセル型人工ポテンシャル場で衝突リスクを評価してA-RRT*プランナを起動する。物理ベースのデジタルツイン上で事前検証することで、遅延を補いつつ能動的な衝突回避を実現した。

詳しい要約

1. どんなもの?

- 人間とロボットの協働環境で、人間の動作を事前に予測して衝突を未然に回避する安全計画フレームワーク。 - 深度カメラで3D skeletal poseを取得し、CNN-BiLSTMで関節ごとの軌道を先読み予測する。 - 予測をcapsule-based APFで衝突リスク指標に変換し、閾値超過時にAdaptive RRT* (A-RRT*) plannerを起動する。 - physics-based digital twin上で予測姿勢とロボットの接触を事前評価し、計画軌道を検証する。

2. 先行研究と比べてどこがすごい?

- 既存plannerはkinodynamic modelのみに依存するのに対し、本手法はgranularなjoint-by-jointの人間動作予測を計画に組み込む点が異なる。 - 予測をdigital twinで事前検証することで、計画軌道更新のlatency gapを橋渡しできるとする。 - 50 trialsで100% proactive avoidance、>250 mm clearance、sub-2 s replanningを達成し、kinematic-only plannerより精度・信頼性で優ると主張。

3. 技術・手法の肝は?

- 深度カメラから3D skeletal posesを抽出。 - CNN-BiLSTMで個々の関節軌道を事前予測。 - capsule-based APFがgranular予測をcollision risk metricsへ変換。 - 閾値超過でA-RRT* plannerをトリガー。 - digital twinが予測人間姿勢をシミュレーションロボット前方に配置し、動作・物理接触を評価。

4. どうやって有効だと検証した?

- physics-based digital twin内で予測姿勢とロボットの動作・物理接触を評価する枠組みを構築。 - 50 trialsを実施し、100% proactive avoidance、>250 mm clearance、sub-2 s replanningを報告。 - kinematic-only plannerとの比較で精度・信頼性の優位性を示したと主張。

5. 議論はある?

- 予測に基づく事前検証がreal-time計画更新のlatency gapを橋渡しし得る点を議論。 - ただしdigital twinはphysics-based simulationであり、実機環境での検証範囲や限界は要旨からは不明。 - 予測誤差や未知環境への頑健性、長期運用時の性能は要旨からは不明。

6. 次に読むべき論文は?

- 比較対象として言及されるkinematic-only planners(例: RRT*系の運動学的計画手法)。 - 構成要素としてCNN-BiLSTM、capsule-based APF、Adaptive RRT* (A-RRT*)、physics-based digital twinの関連研究。 - 人間動作予測と安全計画を統合するhuman-robot collision avoidanceの先行研究。

※ 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: Vadivelan Murugesan, Rajasundaram Mathiazhagan, Sanjana Joshi, Aliasghar Arab

分類: cs.RO

原文アブストラクト

Human-robot collaboration requires precise prediction of human motion over extended horizons to enable proactive collision avoidance. Unlike existing planners that rely solely on kinodynamic models, we present a prediction-driven safe planning framework that leverages granular, joint-by-joint human motion forecasting validated in a physics-based digital twin. A capsule-based artificial potential field (APF) converts these granular predictions into collision risk metrics, triggering an Adaptive RRT* (A-RRT*) planner when thresholds are exceeded. The depth camera is used to extract 3D skeletal poses and a convolutional neural network-bidirectional long short-term memory (CNN-BiLSTM) model to predict individual joint trajectories ahead of time. A digital twin model integrates real-time human posture prediction placed in front of a simulated robot to evaluate motions and physical contacts. The proposed method enables validation of planned trajectories ahead of time and bridging potential latency gaps in updating planned trajectories in real-time. In 50 trials, our method achieved 100% proactive avoidance with > 250 mm clearance and sub-2 s replanning, demonstrating superior precision and reliability compared to existing kinematic-only planners through the integration of predictive human modeling with digital twin validation.

  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