ソフトロボティクス/視覚運動制御2026/6/1arXiv:2606.22923

PanoVine: ソフト成長型つるロボットの全身視覚運動制御

PanoVine: Whole-Body Visuomotor Control for Soft Growing Vine Robot

つるロボットの全身にカメラを配置し、デモから学習したエンドツーエンドの視覚運動ポリシーで複雑環境での自律ナビゲーションと操作を実現した。

詳しい要約

1. どんなもの？

- 軟体成長ロボットであるVine robotのための、データ駆動型・視覚ベースの制御フレームワーク。 - 19台のカメラを機体に分散配置し、全身の視覚フィードバックを活用する。 - 実演からend-to-endのvisuomotor policyを学習し、閉ループ自律制御を実現する。 - 複雑環境でのナビゲーションとマニピュレーションを可能にする初の自律Vine robotシステム。

2. 先行研究と比べてどこがすごい？

- 従来の計画・制御手法は、ヒステリシス、テザー相互作用、変形により予測・モデル化が困難で効果が限定的だった。 - 本研究はデータ駆動型アプローチでこれらの課題を回避し、自律制御を実現。 - 19台のカメラによる全身視覚フィードバックを活用する点が新しい。 - 実演からのend-to-end学習により、不正確なロボット状態やアクチュエーションに対して頑健性を維持。

3. 技術・手法の肝は？

- 機体に分散した19台のカメラでロボット状態と周囲環境を包括的にフィードバック。 - 実演データからend-to-endのvisuomotor policyを学習。 - ポリシーは分散センシング情報を効率的に集約し、閉ループ自律制御を実現。 - 不正確なロボット状態やアクチュエーションに対する頑健性を維持する設計。

4. どうやって有効だと検証した？

- 学習したポリシーが以下のシナリオでロバストなナビゲーションとマニピュレーションを可能にすることを実験的に示した： - 分岐構造の操舵 - 斜面の登攀 - 支持のない地形の横断 - 物体への正確な到達 - 狭所や障害物の通過

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。 - 同分野の関連手法として、soft growing robotのモデルベース制御、データ駆動型制御、visuomotor policy learning、分散カメラによる全身視覚フィードバックに関する研究が挙げられる。

※ 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: Yimeng Qin, Xiaomeng Xu, William Heap, Aditi Oak, Shuran Song, Allison Okamura

分類: cs.RO

原文アブストラクト

Vine robots, a class of soft, growing robots, are suitable for navigating complex and confined environments due to their compliant bodies and self-supporting growth mechanism. However, hysteresis, tether interactions, and deformations make them difficult to predict and model, which in turn limits the effectiveness of conventional planning and control approaches. In this work, we present a data-driven, vision-based control framework for the first autonomous vine robot system. Our system integrates 19 cameras distributed along the robot's body to provide comprehensive feedback of both the robot state and the surrounding environment. Using this rich whole-body vision feedback, we train an end-to-end visuomotor policy from demonstrations for closed-loop autonomous control in complex environments. The policy efficiently aggregates information from distributed sensing while maintaining robustness to inaccurate robot states and actuation. Experimental results demonstrate that the learned policy enables robust navigation and manipulation in challenging scenarios, including steering through branched structures, climbing up slopes, traversing unsupported terrain, reaching objects precisely, and maneuvering through confined spaces and obstacles. Project website https://panovine-bot.github.io

arXivで原文を読む →arXiv概要ページ

← 論文一覧