強化学習/空中マニピュレーション2026/6/7arXiv:2606.08533

文脈的対比メタ強化学習による自律空中マニピュレーション

Autonomous Aerial Manipulation via Contextual Contrastive Meta Reinforcement Learning

クワッドローターが多様なペイロードを自律的に把持・輸送・配送するための、文脈エンコーダと対比学習を組み合わせたメタ強化学習手法を提案。シミュレーションのみで訓練し、実機へ直接展開可能。

詳しい要約

1. どんなもの？

- 本研究は、UAV（Unmanned Aerial Vehicles）による自律的な空中マニピュレーション、特にペイロードの取得・輸送・配送を完全自律で行う設定を扱う。 - クアッドロータに軽量フックを取り付け、ハンドル付きの多様な物体をランダムな場所間で連続的にピックアップ・輸送・配送する。 - 既存研究ではペイロードが事前に取り付けられているか、特殊なグリッパーに依存していたが、本研究は汎用的なエンドツーエンドの空中配送を目指す。 - ペイロードの違いが飛行ダイナミクスを大きく変化させるため、単一のポリシーがオンラインで適応する必要がある。 - 提案手法は「Aco2」（Autonomous Aerial Manipulation via Contextual Contrastive Meta Reinforcement Learning）と呼ばれる。

2. 先行研究と比べてどこがすごい？

- 従来手法はペイロードが事前に取り付けられているか、特殊なグリッパーを必要とし、汎用的なエンドツーエンドの空中配送は未解決だった。 - 本研究は、手動キャリブレーションや明示的なシステム同定なしに、単一のポリシーがオンラインで適応できる点が新しい。 - 多様なペイロードに対応するため、コンテキスト観測エンコーダとコントラスティブ目的を導入し、ペイロード依存のダイナミクスに適応する。 - シミュレーションのみで訓練し、実世界での微調整なしに物理クアッドロータに直接展開可能である点が優れている。

3. 技術・手法の肝は？

- コンテキスト観測エンコーダを設計し、最近のインタラクション履歴からコンパクトな潜在コンテキストを推論する。 - これにより、ポリシーがペイロード依存のダイナミクスにオンラインで適応できる。 - さらに、コントラスティブ目的を導入し、タスクに関連する変動を中心にコンテキスト埋め込みを構造化する。 - これにより、明示的なシステム同定なしに多様なペイロードへの汎化性能を向上させる。 - 訓練はシミュレーションで行われ、広範なドメインランダム化を施す。

4. どうやって有効だと検証した？

- シミュレーションで訓練し、物理クアッドロータに直接展開して検証。 - 実世界での微調整なしに、多様なハンドル付き物体のピックアップ・輸送・配送をランダムな場所間で実行。 - 有効性の詳細な評価指標や比較実験の記述は要旨からは不明。

5. 議論はある？

- 議論や限界についての記述は要旨からは不明。 - 実世界展開の成功は示唆されているが、具体的な課題や失敗事例には触れていない。

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、Meta Reinforcement Learning、Contrastive Learning、Domain Randomization、Sim-to-Real Transfer などが挙げられる。 - 同分野の定番として、UAVによる空中マニピュレーションや配送に関する研究（例：graspingやperching）を読むべき。

※ 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: Lixuan Jin, Bingxuan Lan, Xinyi Bao, Xiangyuan Xie, Chunjie Zhang, Zheng Chen, Tianshuo Liu, Ruijie Tian, Jinyu Ru, Gang Wang, Lei Yuan, Yang Yu

分類: cs.LG, cs.RO

原文アブストラクト

Unmanned aerial vehicles (UAVs) are increasingly being deployed in logistics, service robotics, and other real-world applications, creating a growing demand for autonomous payload acquisition and delivery. Existing approaches typically assume pre-attached payloads or rely on specialized grippers, leaving versatile end-to-end aerial delivery largely unresolved, where different payloads induce highly variable flight dynamics, requiring a single policy to adapt online without manual calibration or explicit system identification. To this end, we study \textbf{A}utonomous \textbf{A}erial Manipulation via \textbf{Co}ntextual \textbf{Co}ntrastive Meta Reinforcement Learning (\textbf{\textit{Aco2}}), a fully autonomous aerial delivery setting in which a quadrotor equipped with a lightweight hook continuously picks up, transports, and delivers diverse handle-equipped objects between randomized locations, all without human intervention. First, we design a contextual observation encoder that infers a compact latent context from recent interaction history, enabling the policy to adapt online to payload-dependent dynamics. To further improve the quality of this context, we introduce a contrastive objective that structures the context embedding around task-relevant variations, improving generalization across diverse payloads without requiring explicit system identification. Trained entirely in simulation with extensive domain randomization, \textit{Aco2} can be directly deployed on a physical quadrotor without real-world fine-tuning.

arXivで原文を読む →arXiv概要ページ

← 論文一覧