マニピュレーション2026/2/1arXiv:2602.11758

HAIC: ダイナミクス認識ワールドモデルによるヒューマノイドの俊敏な物体インタラクション制御

HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model

固有受容感覚の履歴のみから物体の速度・加速度を予測し、動的占有マップを構築することで、スケートボードや台車の押し引きなど劣駆動物体との俊敏な全身インタラクションを実現したヒューマノイド制御フレームワーク。

詳しい要約

1. どんなもの？

- ヒューマノイドロボットが非構造環境で複雑な全身タスクを行うためのフレームワーク - 特に、独立した動力学と非ホロノミック拘束を持つ underactuated オブジェクトとの Human-Object Interaction (HOI) に焦点 - 外部状態推定なしで多様なオブジェクト動力学に対応する統合フレームワーク HAIC を提案 - スケートボード、カートの押し引き、箱の運搬などの敏捷なタスクを実現

2. 先行研究と比べてどこがすごい？

- 従来の HOI 手法は、ロボットに剛結合された fully actuated オブジェクトを主対象とし、underactuated オブジェクトを無視 - underactuated オブジェクトは結合 forces とオクルージョンによる制御課題を引き起こす - HAIC は外部状態推定を必要とせず、多様なオブジェクト動力学に対応 - 動力学予測器により高次状態を推定し、空間的に接地された動的占有マップを構築

3. 技術・手法の肝は？

- 動力学予測器が固有受容履歴のみからオブジェクトの高次状態（速度、加速度）を推定 - 予測を静的な幾何学的 prior に投影し、空間的に接地された動的占有マップを形成 - ポリシーが盲点での衝突境界と接触 affordance を推論可能 - 非対称ファインチューニングを採用し、world model が student policy の探索に継続的に適応 - 分布シフト下での堅牢な状態推定を実現

4. どうやって有効だと検証した？

- ヒューマノイドロボットを用いた実験で検証 - 敏捷なタスク（スケートボード、様々な負荷でのカート押し引き）で高い成功率を達成 - 慣性外乱を能動的に補償 - 多様な地形での箱運搬など、複数オブジェクトの長距離タスクも習得

5. 議論はある？

- 要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない - 同分野の定番として、Human-Object Interaction (HOI)、underactuated object manipulation、world model、model-based reinforcement learning に関する論文が挙げられる

※ 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: Dongting Li, Xingyu Chen, Qianyang Wu, Bo Chen, Sikai Wu, Hanyu Wu, Guoyao Zhang, Liang Li, Mingliang Zhou, Diyun Xiang, Jianzhu Ma, Qiang Zhang, Renjing Xu

分類: cs.RO

原文アブストラクト

Humanoid robots show promise for complex whole-body tasks in unstructured environments. Although Human-Object Interaction (HOI) has advanced, most methods focus on fully actuated objects rigidly coupled to the robot, ignoring underactuated objects with independent dynamics and non-holonomic constraints. These introduce control challenges from coupling forces and occlusions. We present HAIC, a unified framework for robust interaction across diverse object dynamics without external state estimation. Our key contribution is a dynamics predictor that estimates high-order object states (velocity, acceleration) solely from proprioceptive history. These predictions are projected onto static geometric priors to form a spatially grounded dynamic occupancy map, enabling the policy to infer collision boundaries and contact affordances in blind spots. We use asymmetric fine-tuning, where a world model continuously adapts to the student policy's exploration, ensuring robust state estimation under distribution shifts. Experiments on a humanoid robot show HAIC achieves high success rates in agile tasks (skateboarding, cart pushing/pulling under various loads) by proactively compensating for inertial perturbations, and also masters multi-object long-horizon tasks like carrying a box across varied terrain by predicting the dynamics of multiple objects.

arXivで原文を読む →arXiv概要ページ

HAIC: ダイナミクス認識ワールドモデルによるヒューマノイドの俊敏な物体インタラクション制御

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

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell