日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2606.01713

FlipItRight: 多様な物体に対する安定した姿勢目標の投げフリップ

FlipItRight: Stable Pose-Targeted Throw-Flip Across Diverse Objects

シェア:XThreadsFacebookLINEはてブBluesky

高自由度マニピュレータを用いて、物体を投げて空中で回転させ、目標の姿勢で着地させるフレームワークを提案。物体レベルとロボットレベルのプランナーを組み合わせ、実機で90%の成功率を達成。

詳しい要約

1. どんなもの?

- 高自由度マニピュレータによる平面姿勢目標のthrow-flipを安定して行う枠組みFlipItRightを提案。 - タスクをobject-level plannerとrobot-level plannerに分解。 - object-level plannerは所望の着地姿勢を満たすrelease state候補を生成。 - robot-level plannerは実行可能性を評価し、実現可能なswing motionを構築。 - release stateを明示的な中間表現として扱う。 - 実機で形状・サイズ・質量の異なる物体に対し120試行中90%の成功率を達成。

2. 先行研究と比べてどこがすごい?

- 先行研究との具体的比較は要旨からは不明。 - 提案手法は事前データや学習モデルを必要とせず、環境固有のキャリブレーションやデータ収集なしで新しい物体・目標に直接展開可能。 - release stateを明示的な中間表現とすることで、原理的な候補フィルタリング、release/pre-swing構成の適応選択、構造化されたnear-release運動設計を可能にする点が特徴。

3. 技術・手法の肝は?

- タスクをobject-level plannerとrobot-level plannerに分解。 - object-level plannerが所望の着地姿勢を満たすrelease state候補を生成。 - robot-level plannerが実行可能性を評価し、実現可能なswing motionを構築。 - release stateを明示的な中間表現とし、候補フィルタリング、release/pre-swing構成の適応選択、near-release運動設計を構造化。 - 特に最終swing phaseでend-effector速度をほぼ一定にすることで、release-timing uncertaintyに対するロバスト性を向上。

4. どうやって有効だと検証した?

- 実機プラットフォーム上で、形状・サイズ・質量の異なる物体を対象に検証。 - 120試行中90%の成功率を達成。 - アブレーション研究により、各設計選択が投擲性能に寄与することを確認。 - 事前データや学習モデルを必要とせず、新しい物体・目標に直接展開可能であることを示す。

5. 議論はある?

- 要旨からは不明。 - 提案手法の限界や失敗事例、release-timing uncertainty以外の不確実性への議論は要旨に記載なし。 - アブレーション研究の詳細や各設計選択の寄与度の定量評価は要旨からは不明。

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記されていない。 - 関連手法として、throw-flip、object-level planning、robot-level planning、release stateを中間表現とする投擲計画、end-effector速度一定化によるロバスト投擲などが挙げられる。 - 同分野の定番として、learning-based throwing、model predictive control (MPC) for manipulation、task and motion planning (TAMP) などが考えられるが、要旨に具体的な参照はない。

※ 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: Axel Dawne, Shinkyu Park

分類: cs.RO, eess.SY, math.OC

原文アブストラクト

We propose FlipItRight, a framework for stable planar pose-targeted throw-flip with a high-DoF manipulator. The task is decomposed into an object-level planner, which generates candidate release states satisfying the desired landing pose, and a robot-level planner, which evaluates executability and constructs a feasible swing motion. Treating the release state as an explicit intermediate representation enables principled candidate filtering, adaptive selection of release and pre-swing configurations, and structured near-release motion design -- in particular, approximately constant end-effector velocities during the final swing phase to improve robustness to release-timing uncertainty. We validate on a real platform across objects of varying shape, size, and mass, achieving a 90% success rate across 120 trials. Ablation studies confirm that each design choice contributes to throwing performance, and the framework requires no prior data or learned model, enabling direct deployment on new objects and targets without environment-specific calibration or data collection.

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. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  5. 5Google DeepMind、ロボット向けAIを発表新製品・発表

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