マニピュレーション2026/2/1arXiv:2602.02895

壊れても動き続ける：身体性とタスクに条件付けられた拡散ポリシーによる故障時能動軌道生成

Moving On, Even When You're Broken: Fail-Active Trajectory Generation via Diffusion Policies Conditioned on Embodiment and Task

シェア:X Threads Facebook LINE はてブ Bluesky

ロボットの関節故障時でもタスクを継続できるよう、現在の身体状態とタスク制約に条件付けられた拡散モデルベースの軌道生成手法DEFTを提案し、シミュレーションと実機で有効性を示した。

詳しい要約

1. どんなもの？

- ロボットの故障時でもタスクを安全に完了する「fail-active」操作を実現する研究。 - 特に「actuation failures」に焦点を当て、拡散モデルベースの軌道生成器DEFTを提案。 - DEFTはロボットの現在のembodimentとタスク制約を条件として、故障タイプに汎化し、制約付き/なし運動をサポート。 - 7-DoFロボットアームを用いたシミュレーションと実世界評価を実施。

2. 先行研究と比べてどこがすごい？

- 従来のRRTやdifferential IKと比較して、故障条件下での成功率が大幅に向上。 - 制約なし運動で99.5%の成功率（RRTは42.4%）、制約付き運動で46.4%（differential IKは30.9%）。 - 訓練時に見られなかった故障条件でも性能を維持するゼロショット汎化を実証。 - 実世界の多段階タスク（引き出し操作、ホワイトボード消去）で古典的手法が失敗する状況でも成功。

3. 技術・手法の肝は？

- 拡散ポリシー（diffusion policies）をベースにした軌道生成器。 - ロボットの現在のembodiment（故障状態を含む）とタスク制約を条件として入力。 - 故障タイプに依存せず汎化可能な設計。 - 制約付き運動と制約なし運動の両方をサポート。 - 任意の故障構成下でタスク完了を可能にする。

4. どうやって有効だと検証した？

- シミュレーションと実世界の両方で7-DoFロボットアームを用いて評価。 - 数千の故障条件でベースラインと比較。 - 制約なし運動：DEFT 99.5% vs RRT 42.4%。 - 制約付き運動：DEFT 46.4% vs differential IK 30.9%。 - 訓練時に見られない故障条件でのゼロショット汎化を確認。 - 実世界で引き出し操作とホワイトボード消去の2つの多段階タスクを実施。

5. 議論はある？

- 要旨からは、限界や議論の詳細は不明。 - ただし、実世界展開における課題や故障タイプの範囲についての議論が想定されるが、要旨には明記されていない。

6. 次に読むべき論文は？

- 要旨で参照されている研究：RRT、differential IK。 - 関連手法：diffusion policies、fail-active manipulation。 - 同分野の定番：RRT（Rapidly-exploring Random Tree）、differential IK（Inverse Kinematics）。

※ 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: Gilberto G. Briscoe-Martinez, Yaashia Gautam, Rahul Shetty, Anuj Pasricha, Marco M. Nicotra, Alessandro Roncone

分類: cs.RO, cs.AI

原文アブストラクト

Robot failure is detrimental and disruptive, often requiring human intervention to recover. Our vision is 'fail-active' operation, allowing robots to safely complete their tasks even when damaged. Focusing on 'actuation failures', we introduce DEFT, a diffusion-based trajectory generator conditioned on the robot's current embodiment and task constraints. DEFT generalizes across failure types, supports constrained and unconstrained motions, and enables task completion under arbitrary failure. We evaluate DEFT in both simulation and real-world scenarios using a 7-DoF robotic arm. DEFT outperforms its baselines over thousands of failure conditions, achieving a 99.5% success rate for unconstrained motions versus RRT's 42.4%, and 46.4% for constrained motions versus differential IK's 30.9%. Furthermore, DEFT demonstrates robust zero-shot generalization by maintaining performance on failure conditions unseen during training. Finally, we perform real-world evaluations on two multi-step tasks, drawer manipulation and whiteboard erasing. These experiments demonstrate DEFT succeeding on tasks where classical methods fail. Our results show that DEFT achieves fail-active manipulation across arbitrary failure configurations and real-world deployments.

arXivで原文を読む →arXiv概要ページ

壊れても動き続ける：身体性とタスクに条件付けられた拡散ポリシーによる故障時能動軌道生成

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

OZ GAMING（GPU搭載BTOゲーミングPC）

双腕モバイルマニピュレーター OpenShell