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:2606.21792

THREAD: 環境認識拡散モデルによるハイブリッド剛軟マニピュレータの軌道計画

THREAD: Trajectory Planning for Hybrid Rigid-Soft Manipulators with Environment-Aware Diffusion

シェア:XThreadsFacebookLINEはてブBluesky

狭い開口部を通すような閉塞環境での操作を可能にする、拡散モデルを用いたハイブリッド剛軟マニピュレータ用の軌道計画手法を提案。物理に基づく損失で剛軟セグメントの連成を考慮し、シミュレーションで訓練、実機転移も実証。

詳しい要約

1. どんなもの?

- 混成剛体-軟体マニピュレータの軌道計画手法THREADを提案。 - 狭い開口部を通すような閉鎖環境での操作を対象。 - 拡散モデルに基づく初の混成マニピュレータ用軌道プランナ。 - 環境形状に条件付けられた物理的に実現可能なバックボーン軌道の生成事前分布を学習。 - 曲率・滑らかさ・衝突制約を両セグメントにわたってエンコードする物理 inspired 損失を使用。

2. 先行研究と比べてどこがすごい?

- 従来の剛体ロボットでは閉鎖環境操作が困難。 - 混成剛体-軟体マニピュレータは有望だが、自由空間で実現可能なバックボーン形状が環境接触下で不可能になる問題と、剛体・軟体セグメントを独立に計画すると運動学的結合を無視する問題があった。 - THREADはこれらを統合的に解決し、最強ベースラインと比較して衝突を5分の1に削減しつつ92.4%のタスク成功率を達成。

3. 技術・手法の肝は?

- 拡散モデルを用いて、局所環境形状に条件付けられたバックボーン軌道の生成事前分布を学習。 - 物理 inspired 損失により、曲率・滑らかさ・衝突制約を剛体・軟体両セグメントにわたって同時にエンコード。 - シミュレーションで訓練。 - 最小限のオンライン更新でクロスエンボディメント実世界転移を実現。

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、92.4%のタスク成功率を達成。 - 最強ベースラインと比較して衝突が5分の1。 - 実世界転移を検証し、軟体セグメント直径の1.3倍という小さな開口部を通すことに成功。

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は明示されていない。 - 関連手法として、拡散モデルに基づく軌道計画(Diffusion Policyなど)、混成剛体-軟体マニピュレータの運動計画、物理 inspired 損失を用いた学習ベース計画が挙げられる。

※ 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: Shivani Kamtikar, Pranav Asthana, Naveen Kumar Uppalapati, Girish Krishnan, Girish Chowdhary

分類: cs.RO, cs.AI

原文アブストラクト

Manipulation in confined environments, such as threading a manipulator through narrow apertures, remains a fundamental challenge, especially for conventional rigid robots. Hybrid rigid-soft manipulators offer promise but face two compounding planning challenges: backbone shapes feasible in free space become infeasible under environmental contact, and planning rigid and soft segments independently ignores their kinematic coupling. We present THREAD, the first diffusion-based trajectory planner for hybrid manipulation, learning a generative prior over physically realizable backbone trajectories conditioned on local environment geometry, with physics-inspired losses encoding curvature, smoothness, and collision constraints jointly across both segments. Trained in simulation, THREAD achieves 92.4% task success with 5x fewer collisions than the strongest baseline. We show cross-embodiment real-world transfer with minimal online updates, successfully threading through apertures as small as 1.3x the soft segment diameter.

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