日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

移動操作arXiv:2606.03297

SplitAdapter: 負荷を考慮したヒューマノイド移動操作の因子分解適応

SplitAdapter: Load-Aware Humanoid Loco-Manipulation via Factorized Adaptation

シェア:XThreadsFacebookLINEはてブBluesky

物体の重さや持ち上げ高さの変化に頑健なヒューマノイドの移動操作を実現するため、事前学習済みポリシーを拡張し、負荷と動力学の文脈を分離して適応する手法を提案した。シミュレーションと実機で重い負荷条件下での成功率を向上させた。

詳しい要約

1. どんなもの?

- ヒューマノイドのloco-manipulationにおいて、物体質量やpickup/placement高さが変化する状況での安定した全身制御を実現する手法。 - 物体由来の負荷変動とロボット側の動力学ミスマッチが接触時に相互作用するsim-to-real転送の課題に対処。 - 事前学習済みbox manipulation policyを凍結し、object/loadとdynamics-awareのcontext encoderを追加。 - split world-model objectives、GRL-based cross-adversarial regularization、hierarchical FiLMを導入。

2. 先行研究と比べてどこがすごい?

- 既存のhistory-based adapterは負荷変動と動力学ミスマッチを単一のlatent表現に圧縮し、重負荷時のロバスト性が低下する問題があった。 - SplitAdapterはこれらをfactorized adaptationで分離し、重負荷条件下で最大の改善を達成。 - ベースポリシーやworld-model FiLMベースラインと比較してFull-task successを向上。

3. 技術・手法の肝は?

- 事前学習済みbox manipulation policyを凍結し、object/loadとdynamics-awareのcontext encoderを追加。 - split world-model objectivesで各factorを個別に学習。 - GRL-based cross-adversarial regularizationでfactor間の干渉を抑制。 - hierarchical Feature-wise Linear Modulation (FiLM)で適応的に特徴変調。

4. どうやって有効だと検証した?

- sim-to-sim実験と実世界展開で検証。 - 物体質量2, 4, 6 kg、pickup/placement高さ0, 30, 60 cmの条件で評価。 - Full-task successをベースポリシーおよびworld-model FiLMベースラインと比較し、特に重負荷条件下で最大の改善を確認。

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: history-based adapter、world-model FiLMベースライン、ベースポリシー。 - 関連手法: GRL-based cross-adversarial regularization、hierarchical FiLM。

※ 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: Jeonguk Kang, Hanbyel Cho, Sanghyun Kang, Donghan Koo

分類: cs.RO

原文アブストラクト

Humanoid loco-manipulation requires stable whole-body control under varying object masses and pickup/placement heights. This becomes particularly challenging in sim-to-real transfer, where object-induced load variation and robot-side dynamics mismatch interact during physical contact. Existing history-based adapters often compress these factors into a single latent representation, which can weaken robustness under heavy-load manipulation. We propose \textbf{SplitAdapter: Load-Aware Humanoid Loco-Manipulation via Factorized Adaptation}, which freezes a pretrained box manipulation policy and extends it with object/load and dynamics-aware context encoders trained with split world-model objectives, GRL-based cross-adversarial regularization, and hierarchical Feature-wise Linear Modulation (FiLM). In sim-to-sim experiments and real-world deployment, SplitAdapter improves Full-task success over the base policy and world-model FiLM baselines across object masses of $2$, $4$, and $6$ kg and pickup/placement heights of $0$, $30$, and $60$ cm, with the largest improvements under heavy-load conditions.

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

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