力制御/MPC/拡散モデル2026/4/1arXiv:2604.06133

学習誘導型力覚フィードバックMPCによるロボットバリ取りの障害物回避制御

Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring

拡散モデルによる動作事前知識を力覚フィードバックMPCに統合し、障害物回避と力制御を両立するロボットバリ取り制御フレームワークを提案した。

詳しい要約

1. どんなもの？

- トルク制御ロボットによる産業用deburring（バリ取り）タスクを対象とした、Learning-Guided Force-Feedback Model Predictive Control (MPC) フレームワーク。 - diffusion-based motion priors を MPC に統合し、力フィードバックと衝突回避を同時に扱う。 - ツール挿入、法線力追従、円形deburring動作を、到達困難な配置や障害物制約下でも実現する。

2. 先行研究と比べてどこがすごい？

- 古典的 MPC はリアルタイム力フィードバックを無視し、衝突制約下の接触リッチ産業タスクが苦手。 - 提案法は diffusion model を motion strategies の記憶として用い、複数タスクへのロバストな初期化と適応を提供。 - MPC が明示的な力追従、トルク実現可能性、衝突回避を保証。 - 著者らの知る限り、diffusion motion priors と force-feedback MPC の統合による衝突考慮型接触リッチ産業タスクは初。

3. 技術・手法の肝は？

- diffusion model を motion prior として使い、MPC の初期化と適応を支援。 - MPC は force tracking、torque feasibility、collision avoidance を明示的制約として扱う。 - トルク制御マニピュレータ上で、ツール挿入・法線力調整・円形deburring動作を統合的に計画・制御。

4. どうやって有効だと検証した？

- トルク制御マニピュレータによる産業用deburringタスクで検証。 - 到達困難な配置や障害物制約下でも、信頼性の高いツール挿入、正確な法線力追従、円形deburring動作を実証。 - 実験により、提案フレームワークの有効性を確認。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗事例、計算負荷、一般化性に関する議論は要旨に記載なし。

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。 - 関連手法として、classical MPC、diffusion-based motion planning、force-feedback control、contact-rich manipulation の文献が次に読むべき候補。

※ 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: Krzysztof Wojciechowski, Ege Gursoy, Arthur Haffemayer, Sebastien Kleff, Vincent Bonnet, Florent Lamiraux, Nicolas Mansard

分類: cs.RO

原文アブストラクト

Model Predictive Control (MPC) is widely used for torque-controlled robots, but classical formulations often neglect real-time force feedback and struggle with contact-rich industrial tasks under collision constraints. Deburring in particular requires precise tool insertion, stable force regulation, and collision-free circular motions in challenging configurations, which exceeds the capability of standard MPC pipelines. We propose a framework that integrates force-feedback MPC with diffusion-based motion priors to address these challenges. The diffusion model serves as a memory of motion strategies, providing robust initialization and adaptation across multiple task instances, while MPC ensures safe execution with explicit force tracking, torque feasibility, and collision avoidance. We validate our approach on a torque-controlled manipulator performing industrial deburring tasks. Experiments demonstrate reliable tool insertion, accurate normal force tracking, and circular deburring motions even in hard-to-reach configurations and under obstacle constraints. To our knowledge, this is the first integration of diffusion motion priors with force-feedback MPC for collision-aware, contact-rich industrial tasks.

arXivで原文を読む →arXiv概要ページ

← 論文一覧