日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

状態推定arXiv:2606.14160

GAIT: 慣性-脚トークンへの注意機構を用いた脚ロボットの固有受容状態推定

GAIT: Legged Robot Proprioceptive State Estimation with Attention over Inertial-Leg Tokens

シェア:XThreadsFacebookLINEはてブBluesky

脚ロボットの状態推定において、慣性計測と脚ごとの計測を個別のトークンとして扱い、注意機構で各計測の重要度を学習する手法を提案。接触状態に応じた重み付けを明示的な接触推定なしで実現し、未見の歩容や地形でも高い推定精度を示した。

詳しい要約

1. どんなもの?

- 本論文は、脚式ロボットの固有受容状態推定のための新しい手法を提案している。 - 慣性計測と脚ごとの計測を個別のトークンとして表現し、attention機構を用いて各計測の相対的な重要度を学習する。 - 従来の学習ベース推定器のように全センサ計測を単一のフラットベクトルに結合するのではなく、トークン化により接触状態に応じた重み付けを可能にする。 - Unitree Go1ロボットを用いた実験で、未見の歩容パターンやシミュレーションでモデル化されていない瓦礫地形において有効性を示した。

2. 先行研究と比べてどこがすごい?

- 既存の学習ベース状態推定器は全センサ計測を単一のフラットベクトルに結合するが、提案手法は慣性計測と脚ごとの計測を個別のトークンとして扱い、attention機構で重要度を学習する。 - 従来の接触支援推定器は明示的な接触推定器や静止接触仮定に基づく明示的な計測更新に依存するが、提案手法はそれらを必要とせずに接触状態に応じた重み付けを学習する。 - 未見の歩容パターン下で既存の学習ベース推定器よりも優れた推定性能を達成し、接触支援モデルベース手法よりも性能を向上させた。

3. 技術・手法の肝は?

- 慣性計測と脚ごとの計測を個別のトークンにトークン化するInertial-Leg (IL) tokenizationを適用する。 - attentionベースのネットワークを用いて、各トークンの相対的な重要度を学習する。 - この設計により、現在の接触条件に応じて各計測を再重み付けすることが可能となり、順運動学計測の信頼性が対応する足が接触しているかどうかに依存する事実を反映する。 - 明示的な接触推定器や静止接触仮定に基づく明示的な計測更新に依存しない。

4. どうやって有効だと検証した?

- Unitree Go1ロボットを用いた実験を実施した。 - シミュレーションでモデル化されていない瓦礫地形や、訓練中に見られなかった歩容パターンを含む。 - 実験結果は、提案手法が未見の歩容パターン下で既存の学習ベース状態推定器よりも優れた推定性能を達成し、接触支援モデルベース手法よりも性能を向上させることを示した。

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:既存の学習ベース状態推定器、接触支援モデルベース手法、明示的な接触推定器を用いる従来の接触支援推定器。 - 関連手法として、attention機構を用いた状態推定やトークン化アプローチが挙げられる。

※ 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: Young-Rang Seo, Hajun Kim, Sangmin Kim, Dongyun Kang, Hae-Won Park

分類: cs.RO

原文アブストラクト

In this paper, we propose a method that applies Inertial-Leg (IL) tokenization to an attention-based network for proprioceptive state estimation in legged robots. Unlike existing learning-based state estimators that concatenate all sensor measurements into a single flat vector, the proposed architecture represents inertial measurements and leg-wise measurements as individual tokens and uses an attention mechanism to learn the relative importance of each measurement.This design allows the network to reweight each measurement according to the current contact condition, reflecting the fact that the reliability of forward kinematic measurements depends on whether the corresponding foot is in contact. Unlike conventional contact-aided estimators, however, the proposed method learns this behavior without relying on an explicit contact estimator or on explicit measurement updates based on a stationary contact assumption. To validate the proposed method, we conducted experiments on a Unitree Go1 robot, including debris terrain not modeled in simulation and gait patterns not seen during training. Experimental results show that the proposed method achieves better estimation performance than existing learning-based state estimators under unseen gait patterns and also improves performance over contact-aided model-based methods.

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