日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作arXiv:2604.22102

ウィグル&ゴー!ゼロショット動的ロープ操作のためのシステム同定

Wiggle and Go! System Identification for Zero-Shot Dynamic Rope Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

ロープの動きを観察して物理パラメータを推定し、そのパラメータを用いて最適化によりロボットの動作を予測することで、実世界でゼロショットの動的ロープ操作を可能にする2段階フレームワークを提案した。

詳しい要約

1. どんなもの?

- 動的なロープ操作をゼロショットで実現するフレームワーク「Wiggle and Go!」を提案。 - 学習済みシミュレーション事前分布を活用し、目標条件付き動的操作を効率的かつ正確に実行。 - システム同定モジュールがロープの動きを観測し、物理パラメータを予測。 - そのパラメータが最適化手法に情報を提供し、ロボットのゼロショット実行動作を予測。 - 複数の動的操作タスクで高い性能を達成し、タスク非依存のシステム同定によりシームレスなタスク切替を実現。

2. 先行研究と比べてどこがすごい?

- 従来の動的ロープ操作手法は、大規模な実世界データセットを必要とするか、試行錯誤による反復改善が必要。 - 提案手法はゼロショットでのタスク実行を可能にし、実世界データセットや反復改善を不要とする。 - 単一のタスク非依存システム同定モジュールで多様な操作ポリシーをサポート。 - 実世界での3Dターゲット打撃精度が、システムパラメータなしの15.34 cmから3.55 cmに向上。

3. 技術・手法の肝は?

- 2段階フレームワーク:システム同定モジュールと目標条件付き行動予測の最適化。 - システム同定モジュールはロープの動きを観測し、記述的な物理パラメータを予測。 - 予測されたパラメータが最適化手法に情報を提供し、ロボットのゼロショット実行動作を生成。 - 学習済みシミュレーション事前分布を利用して、効率的かつ正確なタスク実行を実現。

4. どうやって有効だと検証した?

- 実世界での3Dターゲット打撃タスクで評価。 - システムパラメータを使用した場合の平均精度3.55 cmを達成(使用しない場合は15.34 cm)。 - 未見の軌道において、予測ロープと実ロープのFourier周波数間のPearson相関係数0.95を達成。 - 複数の動的操作タスクで強い性能を示し、同一のタスク非依存システム同定モジュールが有効であることを確認。

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:動的ロープ操作のための大規模実世界データセットを用いる手法、反復改善による手法。 - 関連手法:学習済みシミュレーション事前分布を活用した操作。 - 同分野の定番:ロープ操作、システム同定、ゼロショット操作に関する研究。

※ 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: Arthur Jakobsson, Abhinav Mahajan, Karthik Pullalarevu, Krishna Suresh, Yunchao Yao, Yuemin Mao, Bardienus Duisterhof, Shahram Najam Syed, Jeffrey Ichnowski

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Many robotic tasks are unforgiving; a single mistake in a dynamic throw can lead to unacceptable delays or unrecoverable failure. To mitigate this, we present a novel approach that leverages learned simulation priors to inform goal-conditioned dynamic manipulation of ropes for efficient and accurate task execution. Related methods for dynamic rope manipulation either require large real-world datasets to estimate rope behavior or the use of iterative improvements on attempts at the task for goal completion. We introduce Wiggle and Go!, a system-identification, two-stage framework that enables zero-shot task rope manipulation. The framework consists of a system identification module that observes rope movement to predict descriptive physical parameters, which then informs an optimization method for goal-conditioned action prediction for the robot to execute zero-shot in the real. Our method achieves strong performance across multiple dynamic manipulation tasks enabled by the same task-agnostic system identification module which offers seamless switching between different manipulation tasks, allowing a single model to support a diverse array of manipulation policies. We achieve a 3.55 cm average accuracy on 3D target striking in real using rope system parameters in comparison to 15.34 cm accuracy when our task model is not system-parameter-informed. We achieve a Pearson correlation coefficient of 0.95 between Fourier frequencies of the predicted and real ropes on an unseen trajectory. Project website please see https://wiggleandgo.github.io/

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. 2GXO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
  3. 3newmo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
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI