日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

sim2realarXiv:2605.21688

変形マイクロファイバ形状制御のための閉ループsim-to-real強化学習

Closed-Loop Sim-to-Real Reinforcement Learning for Deformable Microfiber Shape Control

シェア:XThreadsFacebookLINEはてブBluesky

摩擦のない簡略化シミュレータで学習した強化学習ポリシーを、実機の二把持マイクロマニピュレーションシステムに直接転用し、視覚フィードバックで未モデル化の表面相互作用を補正しながら、シルクマイクロファイバの形状をサブミリ精度で制御する手法を提案した。

詳しい要約

1. どんなもの?

- 微細繊維の形状制御を対象とした閉ループsim-to-real強化学習(RL)手法。 - 摩擦を無視した簡略化シミュレータで形状調整ポリシーを学習し、実機展開時にリアルタイム視覚フィードバックで未モデル化の表面相互作用の影響を逐次補正する。 - シミュレーションのみで学習したRLポリシーを、再学習やドメイン適応なしに物理的なデュアルグリッパ微細操作システム(40 Hz動作)に直接転移。 - シルク微細繊維をテストベッドとし、24種類の初期配置で平均点状形状誤差270±80 µmを達成。 - 3種類の繊維直径(50, 80, 120 µm)と3種類の操作長さ(10, 15, 20 mm)の全組み合わせからなる9検体で、再学習・再調整なしにサブミリメートルの最終形状誤差を達成。

2. 先行研究と比べてどこがすごい?

- 従来のモデルベース制御やsim-to-real学習は、微細スケールの表面・界面相互作用の正確なモデル化が困難で適用が限られていた。 - 本手法は、簡略化シミュレータで学習したポリシーを再学習やドメイン適応なしに実機に直接転移できることを示し、従来のsim-to-real手法の制約を克服。 - 表面接触下での微細繊維形状制御において、再学習・再調整なしでサブミリメートル精度を達成した点が新しい。

3. 技術・手法の肝は?

- 摩擦を無視した簡略化シミュレータで幾何学的形状調整を学習する強化学習(RL)ポリシーを訓練。 - 実機展開時にはリアルタイム視覚フィードバックを利用し、未モデル化の表面相互作用の影響を閉ループで逐次補正。 - シミュレーションで学習したポリシーを物理的なデュアルグリッパ微細操作システム(40 Hz)に直接転移。 - タスクに関連するsim-to-realミスマッチの影響が閉フィードバックループ内で観測・補正可能であることが鍵。

4. どうやって有効だと検証した?

- シルク微細繊維を用い、24種類の多様な初期配置で平均点状形状誤差270±80 µmを達成。 - 3種類の繊維直径(50, 80, 120 µm)と3種類の操作長さ(10, 15, 20 mm)の全組み合わせからなる9検体で、再学習・再調整なしにサブミリメートルの最終形状誤差を達成。 - これらの結果により、簡略化シミュレータで学習したポリシーが表面接触下で再現可能な実世界の微細繊維形状調整を実現できることを検証。

5. 議論はある?

- 簡略化シミュレータで学習したポリシーが、タスクに関連するsim-to-realミスマッチの影響が閉フィードバックループ内で観測・補正可能であれば、表面接触下での実世界微細繊維形状調整を再現可能に達成できることを示唆。 - 限界や今後の課題については要旨からは不明。

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。 - 同分野の関連手法として、sim-to-real強化学習、ドメイン適応、モデルベース制御、微細操作に関する研究が挙げられる。

※ 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: Alessandro Amici, Houari Bettahar, Veeti Jaakkola, Quan Zhou

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Autonomous contact-based micromanipulation is challenging because surface and interfacial interactions at the microscale are difficult to model accurately, limiting the use of conventional model-based control and sim-to-real learning. We present a closed-loop sim-to-real reinforcement learning (RL) approach for microfiber shape control on a surface. The central idea is to train geometric shape regulation in a simplified frictionless simulator and rely on real-time visual feedback during deployment to iteratively correct the observed effects of unmodeled surface interactions. An RL policy trained entirely in simulation is transferred directly to a physical dual-gripper micromanipulation system operating at 40 Hz, without retraining or domain adaptation. Using silk microfibers as a testbed, the policy achieves a mean point-wise shape error of 270 $\pm$ 80 $\mu$m across twenty-four diverse initial configurations. Across nine specimens covering all combinations of three fiber diameters (50, 80, and 120 $\mu$m) and three manipulated lengths (10 mm, 15mm, and 20 mm), the same policy achieves sub-millimeter final shape error without any retraining or retuning. These results show that a policy learned in a simplified simulator can achieve repeatable real-world microfiber shape regulation under surface contact, provided that the task-relevant effects of the sim-to-real mismatch remain observable and correctable within the closed feedback loop.

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