日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

歩行arXiv:2510.20174

強化学習による強磁性環境での堅牢な壁面登攀移動制御

Reinforcement Learning-based Robust Wall Climbing Locomotion Controller in Ferromagnetic Environment

シェア:XThreadsFacebookLINEはてブBluesky

磁気吸着の不確実性を考慮した四脚壁面登攀ロボットの強化学習フレームワークを提案し、カリキュラム学習と現実的な吸着モデルによりシミュレーションから実機への転移を実現した。

詳しい要約

1. どんなもの?

- 四脚の磁気吸着壁登りロボット向けの強化学習(RL)ベースのロコモーション制御フレームワーク - 磁気足の吸着不確実性(部分接触・air-gap感度・確率的なattachment failure)を明示的に扱う - 物理ベースの吸着モデルをシミュレーションに組み込み、sim-to-realを狙う - カリキュラム学習で安定学習と実機転移を実現する

2. 先行研究と比べてどこがすごい?

- 完全な吸着を仮定するmodel predictive control (MPC)ベースラインと比較 - MPCは吸着が断続的に失われると歩行維持が困難だが、提案手法はattachments喪失時もロコモーションを維持 - 吸着失敗を学習に組み込む点が先行の壁登り制御と異なる - 劣化した吸着条件下でも高い成功率・吸着保持・離脱からの迅速な回復をシミュレーションで示す

3. 技術・手法の肝は?

- 四脚磁気登りロボットの物理ベース吸着モデルをシミュレーションに実装 - 部分接触・air-gap感度・確率的attachment failureをモデル化 - 三段階カリキュラム:(1)吸着なしの平地でcrawl gait獲得、(2)吸着モデルを有効化しつつ重力ベクトルを徐々に鉛直へ回転、(3)確率的な吸着失敗を注入しslip recoveryを促す - 学習安定化と実機転移を両立する設計

4. どうやって有効だと検証した?

- シミュレーションで劣化吸着条件下の成功率・吸着保持・離脱からの回復速度を評価 - 完全吸着仮定のMPCベースラインと比較し、断続的吸着喪失時の歩行維持を確認 - untethered実機で鋼鉄表面上の垂直crawlを実験し、過渡的なmisalignmentや不完全吸着でも安定性を維持することを確認

5. 議論はある?

- 現実的な吸着モデリングとカリキュラム学習の組合せが磁気登りロボットのresilientなsim-to-real枠組みになることを示唆 - 実機で過渡的misalignment・不完全吸着下の安定性を確認したが、詳細な限界や失敗条件は要旨からは不明 - 吸着モデルの現実とのギャップやスケーラビリティに関する議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で比較対象として挙げられているmodel predictive control (MPC)ベースの壁登り制御 - 磁気吸着モデリングに関する研究(部分接触・air-gap・attachment failure) - 四脚ロボットのカリキュラム学習・sim-to-realに関する強化学習研究 - 壁登り・垂直面ロコモーションのロボティクス研究

※ 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: Yong Um, Young-Ha Shin, Joon-Ha Kim, Soonpyo Kwon, Hae-Won Park

分類: cs.RO

原文アブストラクト

We present a reinforcement learning framework for quadrupedal wall-climbing locomotion that explicitly addresses uncertainty in magnetic foot adhesion. A physics-based adhesion model of a quadrupedal magnetic climbing robot is incorporated into simulation to capture partial contact, air-gap sensitivity, and probabilistic attachment failures. To stabilize learning and enable reliable transfer, we design a three-phase curriculum: (1) acquire a crawl gait on flat ground without adhesion, (2) gradually rotate the gravity vector to vertical while activating the adhesion model, and (3) inject stochastic adhesion failures to encourage slip recovery. The learned policy achieves a high success rate, strong adhesion retention, and rapid recovery from detachment in simulation under degraded adhesion. Compared with a model predictive control (MPC) baseline that assumes perfect adhesion, our controller maintains locomotion when attachment is intermittently lost. Hardware experiments with the untethered robot further confirm robust vertical crawling on steel surfaces, maintaining stability despite transient misalignment and incomplete attachment. These results show that combining curriculum learning with realistic adhesion modeling provides a resilient sim-to-real framework for magnetic climbing robots in complex environments.

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