日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

全身制御arXiv:2604.01517

MorphoGuard: 形態に基づく全身インタラクティブ動作制御

MorphoGuard: A Morphology-Based Whole-Body Interactive Motion Controller

シェア:XThreadsFacebookLINEはてブBluesky

ロボットが肘でドアを押し開けながら物体を掴むなど、単一の運動連鎖上で動的な複数接触を扱う全身制御の課題に対し、任意の接触組み合わせを明示的に管理する形態制約付きWBCネットワークを提案し、実機・シミュレーションで評価した。

詳しい要約

1. どんなもの?

- 高次元ロボットの全身制御(WBC)において、単一の運動連鎖上で動的なマルチコンタクトを扱う新しい制御手法を提案。 - 具体的には、肘でドアを押し開けながら物体を掴むような複雑な動作を可能にする。 - 形態拘束型WBCネットワーク(MorphoGuard)を開発し、自己構築したdual-arm物理・シミュレーションプラットフォームで訓練。 - マルチオブジェクト操作タスクをベンチマークとして評価し、コンタクトポイント管理誤差約1cmを達成。

2. 先行研究と比べてどこがすごい?

- 従来のWBCは複雑なコンタクト表現と関節構成の結合に課題があった。 - 提案手法は任意のコンタクト組み合わせを明示的に管理し、全身インタラクティブ能力を付与。 - バックボーンアーキテクチャ、融合戦略、モデルスケールの影響を系統的に調査するモデル推薦実験を設計。 - 先行研究と比べて、動的マルチコンタクト下での全身制御性能を向上させた点がすごい。

3. 技術・手法の肝は?

- 形態拘束型WBCネットワーク(MorphoGuard)を提案。 - 自己構築したdual-arm物理・シミュレーションプラットフォームで訓練。 - 任意のコンタクト組み合わせを明示的に管理する制御アプローチ。 - バックボーンアーキテクチャ、融合戦略、モデルスケールを系統的に調査するモデル推薦実験を実施。

4. どうやって有効だと検証した?

- マルチオブジェクト操作タスクをベンチマークとして採用。 - モデルが複数の対象物体を同時に指定位置へ操作することを要求。 - 実験結果、コンタクトポイント管理誤差約1cmを達成し、全身インタラクティブ制御の有効性を実証。

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、Whole-body control (WBC)、Model Predictive Control (MPC)、Reinforcement Learning (RL) を用いたロボット制御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: Chenjin Wang, Zheng Yan, Yanmin Zhou, Runjie Shen, Bin He

分類: eess.SY, cs.RO, cs.SY

原文アブストラクト

Whole-body control (WBC) has demonstrated significant advantages in complex interactive movements of high-dimensional robotic systems. However, when a robot is required to handle dynamic multi-contact combinations along a single kinematic chain-such as pushing open a door with its elbow while grasping an object-it faces major obstacles in terms of complex contact representation and joint configuration coupling. To address this, we propose a new control approach that explicitly manages arbitrary contact combinations, aiming to endow robots with whole-body interactive capabilities. We develop a morphology-constrained WBC network (MorphoGuard)-which is trained on a self-constructed dual-arm physical and simulation platform. A series of model recommendation experiments are designed to systematically investigate the impact of backbone architecture, fusion strategy, and model scale on network performance. To evaluate the control performance, we adopt a multi-object interaction task as the benchmark, requiring the model to simultaneously manipulate multiple target objects to specified positions. Experimental results show that the proposed method achieves a contact point management error of approximately 1 cm, demonstrating its effectiveness in whole-body interactive control.

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