拡散ポリシー学習による建設現場の接触リッチ組立

- 建設分野の産業用ロボットによる contact-rich な組立作業を対象とした研究 - 代表例として tight-fitting な mortise and tenon timber joinery(ほぞ継ぎ)を扱う - diffusion policy learning を用い、公差蓄積・材料不完全性・位置決め誤差による不確実性下での高精度組立を目指す - force/torque sensing を備えた産業用ロボットセルで teleoperated demonstrations を収集し sensory-motor diffusion policies を訓練

- 建設スケールの産業用ロボットに diffusion policy を適用した点が特徴 - 従来の組立研究に対し、sub-millimeter の joint clearance を大きく超える最大 10 mm の位置摂動下での robustness を評価 - 摩擦や幾何拘束に支配される contact-rich 作業での不確実性対応を実証的に検討 - 建設現場由来の tolerance accumulation・material imperfection・positioning errors を明示的に扱う点が新しい - 具体的な先行研究との比較は要旨からは不明

- sensory-motor diffusion policies を teleoperated demonstrations から学習 - 産業用ロボットセルに force/torque sensing を搭載し、接触情報を含む実演を収集 - tight-fitting な mortise and tenon timber joinery を代表タスクとして設定 - 二段階の実験計画で baseline 性能と randomized positional perturbations 下の robustness を評価 - 摂動は最大 10 mm で、joint clearance の sub-millimeter を大きく上回る設定

- 二段階の実験研究を実施 - 第一段階で baseline 性能を評価 - 第二段階で最大 10 mm の randomized positional perturbations 下での robustness を評価 - 最良の policy は nominal 条件下で 100% 成功 - 不確実性下では平均 75% 成功 - これにより diffusion policies が contact-aware control を通じて misalignment を補償する初期証拠を得たと報告

- diffusion policies が接触を考慮した制御で位置ずれを補償する可能性を示唆 - 建設分野の tight tolerance 組立における robust なロボット組立への一歩と位置づけ - ただし初期証拠(initial evidence)であり、限定的な実験規模やタスク範囲に関する議論は要旨からは不明 - 不確実性下の成功率 75% の要因分析や限界については要旨からは不明

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として diffusion policy、imitation learning、teleoperation、force/torque sensing を用いた contact-rich manipulation の文献 - 同分野の定番として robotic assembly、learning from demonstration、contact-rich manipulation に関する研究 - 建設ロボティクスにおける timber joinery や tolerance 対応の組立研究