HumanoidVLM: 視覚言語ガイドによるインピーダンス制御で接触の多いヒューマノイドマニピュレーション

- Unitree G1 humanoid の接触を伴う manipulation において、egocentric RGB 画像からタスクに適した Cartesian impedance パラメータと gripper 設定を選択する vision-language 駆動の retrieval framework。 - Vision-language model による semantic task inference と FAISS-based Retrieval-Augmented Generation (RAG) を組み合わせる。 - 実験的に検証済みの stiffness-damping ペアと物体固有の grasp angle を2つの custom database から検索し、task-space impedance controller で compliant manipulation を実行する。

- 従来の多くの controller は固定・手調整の impedance gain と gripper 設定に依存していた。 - 本研究は vision-language と retrieval により、多様な物体・タスクに応じて接触挙動を適応させる点が異なる。 - 実験的に検証済みのパラメータを検索するため、解釈可能な適応制御への道筋を示す。

- Vision-language model で egocentric RGB 画像から semantic task を推論する。 - FAISS-based Retrieval-Augmented Generation (RAG) module が2つの custom database から experimentally validated stiffness-damping pairs と object-specific grasp angles を検索する。 - 検索結果を task-space impedance controller に渡し、compliant manipulation を実行する。

- 14 の visual scenarios で評価し、retrieval accuracy 93% を達成。 - Real-world experiments で安定した interaction dynamics を確認。 - z-axis tracking errors は typically 1-3.5 cm 以内で、virtual forces は task-dependent impedance settings と一致した。

- 要旨からは、限界や失敗事例、計算コスト、データベースの汎用性に関する議論は不明。 - 著者らは semantic perception と retrieval-based control の連結が適応的 humanoid manipulation への解釈可能な道筋として実現可能だと主張している。

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として Retrieval-Augmented Generation (RAG)、FAISS、task-space impedance control、vision-language model を用いた manipulation の定番研究を挙げる。