マニピュレーション2026/6/9arXiv:2606.10818

IMPACT: 力強いロボット操作のための内部モデル予測制御の学習

IMPACT: Learning Internal-Model Predictive Control for Forceful Robotic Manipulation

力強い操作タスクをタスク計画と内部モデル予測制御に分離するフレームワークを提案し、シミュレーションと実世界で成功率と汎化性を向上させた。

詳しい要約

1. どんなもの？

- 力強いロボットマニピュレーションのためのフレームワークIMPACTを提案。 - タスク計画と内部モデルベースの予測制御を分離する。 - 工具使用、質量の異なる物体の運搬、テーブル拭きなどの接触リッチタスクを対象。 - シミュレーションと実世界実験で有効性を検証。

2. 先行研究と比べてどこがすごい？

- 従来の模倣学習ポリシーは目標エンドエフェクタ姿勢を出力し、低レベルインピーダンス制御で追従。 - 力強い相互作用は定常追従誤差で暗黙的に実現するか、手首力/トルクや触覚センサで明示的に指令。 - 暗黙的手法は物体重量への汎化が悪く、明示的手法は特殊ハードウェアが必要でシステムが複雑。 - IMPACTはこれらの問題を解決し、未見の物体重量への汎化、安全性、エネルギー効率を改善。

3. 技術・手法の肝は？

- 力強いタスクをタスク計画と内部モデルベースの予測制御に分離。 - 内部モデルを用いた予測制御により、力強い相互作用を実現。 - タスク計画と制御の分離により、汎化性能と安全性を向上。 - 詳細な技術は要旨からは不明。

4. どうやって有効だと検証した？

- 広範なシミュレーションと実世界実験を実施。 - 提案フレームワークが高い成功率と未見物体重量への汎化を達成。 - 安全性とエネルギー効率の向上も確認。

5. 議論はある？

- 従来手法の限界（暗黙的手法の汎化不良、明示的手法のハードウェア要求）を指摘。 - IMPACTの有効性を示すが、具体的な議論や限界は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：模倣学習ポリシー、低レベルインピーダンス制御、手首力/トルクセンサ、触覚センサを用いた手法。 - 関連手法：Internal-Model Predictive Control、Learning-based Control。 - 同分野の定番：Imitation Learning、Model Predictive Control、Force Control。

※ 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: Jiawei Gao, Chaoqi Liu, Peilin Wu, Haonan Chen, Yilun Du

分類: cs.RO, cs.CV

原文アブストラクト

Real-world robotic manipulation tasks often involve forceful interactions with the environment, such as using tools of varying weights, transporting objects with different masses, and performing contact-rich tasks like table wiping. Previous learning-based approaches typically employ imitation learning policies that output target end-effector poses tracked by low-level impedance controllers. In these systems, forceful interactions are either implicitly realized through steady-state tracking errors or explicitly commanded using wrist force/torque or tactile sensors. However, implicit approaches generalize poorly across object weights, while explicit approaches require specialized hardware and increase system complexity. In this work, we propose IMPACT, a framework that decouples these forceful tasks into task-planning and internal-model-based predictive control. Extensive simulation and real-world experiments demonstrate that the proposed framework achieves higher success rates and improved generalization to unseen object weights, as well as better safety and energy efficiency.

arXivで原文を読む →arXiv概要ページ

IMPACT: 力強いロボット操作のための内部モデル予測制御の学習

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell