投げて回転させる動作の学習

- ロボットが物体を目標の着地姿勢（位置と向き）に向けて「throw-flip」する手法を提案する研究。 - 従来の投擲研究は着地位置に注目し、最終的な向きは考慮されていなかった。 - 回転関節ロボットによる投擲では parasitic rotation が生じ、着地姿勢が大きく制限されていた。 - 実機実験で pose target を (±5 cm, ±45 degrees) の閾値内に学習できることを示す。

- 従来の投擲・tossing 研究は着地位置のみを対象とし、最終的な向き（orientation）を扱っていなかった点と異なる。 - 従来は parasitic rotation により着地姿勢が強く制限され、制御不能であった。 - 提案手法は impulse-momentum principle に基づく投擲運動設計で parasitic rotation を decouple し、feasible な着地姿勢集合を大幅に拡大。 - end-to-end learning と比較して、未見姿勢への throw-flip でサンプル複雑度を平均40%削減。 - CoM shift のある新物体への投擲では、in-hand object spinning の過去知識の再利用により学習を70%加速。

- 第一の設計: impulse-momentum principle を利用し、parasitic rotation を効果的に decouple する投擲運動群を設計。これにより着地姿勢の feasible set を拡大。 - 第二の設計: 自由飛行の physics-based model と regression-based learning を組み合わせ、未モデル化効果を補正。 - data assimilation により projectile dynamics を組み込み、サンプル複雑度を低減。 - in-hand object spinning の過去知識を再利用し、CoM shift のある新物体への学習を加速。

- 実機ロボット実験により、pose target を (±5 cm, ±45 degrees) の閾値内で数十回の試行で学習できることを実証。 - end-to-end learning との比較で、未見姿勢への throw-flip におけるサンプル複雑度が平均40%削減されることを示す。 - CoM shift のある新物体への投擲で、過去知識の再利用により学習が70%加速されることを示す。 - 手法とハードウェア実験をまとめた動画が公開されている。

- 要旨からは不明。 - ただし、未モデル化効果への対処や data assimilation の効果、知識再利用の有効性が示されている。 - parasitic rotation の decouple が着地姿勢の feasible set 拡大に寄与することが議論の中心と推測されるが、限界や失敗事例については要旨からは不明。

- end-to-end learning との比較が行われており、関連手法として end-to-end learning を挙げる。 - in-hand object spinning の過去知識を再利用しているため、in-hand manipulation / object spinning に関する研究が関連。 - 投擲・tossing による logistic operations 高速化の文脈で、robot tossing / throwing の先行研究が関連。 - physics-based model と regression-based learning の組み合わせ、data assimilation に関する研究も参照すべき。 - 具体的な論文名は要旨からは不明。