段階認識と粗さ制約を備えた多段階ロボット研磨用拡散ポリシー

本論文は、多段階のロボット研磨タスクにおける長期的依存関係、不確実な段階遷移、結合したプロセスパラメータのモデル化と調整の難しさに対処するため、Stage-Aware and Roughness-Constrained Diffusion Policy (SRDP) を提案する。SRDPは、マルチモーダル観測履歴からプロセス段階の事後分布を推論し、それを共有逆拡散過程の条件付けに用いることで、実行時に外部の段階ラベルなしで段階整合的な行動生成を可能にする。さらに、粗さ指向のプロセス制約付き拡散サンプリング法を組み込み、段階ごとにプリセットされたスピンドル速度の下で、制約された送り速度と法線接触力を生成し、プロセス一貫性と物理的実現可能性を向上させる。

先行研究と比べて、SRDPは以下の点で優れている。従来のロボット模倣学習は、長期的依存関係、不確実な段階遷移、結合したプロセスパラメータのモデル化と調整の難しさから産業研磨に限界があった。SRDPは、マルチモーダル観測履歴からプロセス段階の事後分布を推論し、外部段階ラベルなしで段階整合的な行動生成を実現する点、および粗さ指向のプロセス制約付き拡散サンプリングにより、段階ごとのスピンドル速度下で送り速度と法線接触力を制約生成する点が新しい。

技術の肝は以下の通り。 - Stage-Aware: マルチモーダル観測履歴からプロセス段階の事後分布を推論し、共有逆拡散過程を条件付けする。 - Roughness-Constrained: 粗さ指向のプロセス制約付き拡散サンプリング法を導入し、段階ごとにプリセットされたスピンドル速度の下で、制約された送り速度と法線接触力を生成する。 - これにより、実行時に外部段階ラベルを必要とせず、段階一貫性と物理的実現可能性を向上させる。

宇宙機キャビン塗装表面研磨と内腔構造表面仕上げの2つの代表的なシナリオで系統的な実験を実施。先進的なベースラインとの比較、アブレーション研究、実ロボット検証により、提案手法を包括的に評価。結果は、SRDPが段階遷移の安定性、プロセスパラメータの一貫性、最終表面品質を異なる研磨シナリオで改善することを示した。

要旨からは不明。

要旨で参照/比較されている研究や関連手法は明示されていない。同分野の定番として、Diffusion Policy、Imitation Learning、Robotic Polishing、Process Parameter Optimization などが挙げられる。