TACTIC: 触覚と視覚に基づく接触中心制御による全身マニピュレーション

- 全腕マニピュレーション(whole-arm manipulation)のためのreceding-horizon controller『TACTIC』を提案。 - 接触が複数リンクに分散し、形成・滑り・離脱する状況を扱う。 - RGB-D、分散触覚センシング、2D proximity表現を統合したcontact-centric hybrid predictive modelを用いる。 - 学習ベースのlatent dynamics modelと解析的kinematicsをcontact Jacobiansで結合。 - sampling-based MPC plannerで未来の接触配置と相互作用力を予測し制御する。

- 従来の学習ベースマニピュレーションは、腕の姿勢が運動と接触力を強く結合させる点、接触状態が遮蔽下で部分的にしか観測されない点を暗黙に仮定していた。 - 純粋な学習ロールアウトは分布シフト下で物理的に不整合になりやすく、多リンク接触配置がデータ上疎である問題があった。 - TACTICは触覚・視覚・近接表現を統合し、解析的kinematicsと学習モデルを組み合わせることでこれらを緩和する。 - シミュレーションでstate-of-the-artのmodel-basedおよびmodel-free手法を一貫して上回ると報告。

- contact-centric hybrid predictive model: RGB-D、分散触覚、compact 2D proximityを入力とする。 - 学習されたaction-conditioned latent dynamics modelと解析的kinematicsをcontact Jacobiansで結合。 - 未来の接触配置と相互作用力のロールアウトを生成。 - sampling-based MPC plannerに統合し、contact-aware action samplingを実施。 - contact Jacobianベースの投影でサンプル行動列を力変調方向へ誘導。 - 予測proximityと相互作用力上の目的関数でタスク進捗と全腕力調整をトレードオフ。

- シミュレーションでstate-of-the-artのmodel-basedおよびmodel-free手法と比較。 - 各設計選択の寄与を分離するablationを実施。 - TACTICが他手法を一貫して上回ることを確認。 - 実世界では分散触覚センシングを備えたロボットで3つの全腕マニピュレーションタスクを実証。 - タスクは多接触軌道を要するmanikinの反転・再配置、3D dynamic mazeでのgoal-reaching。

- 要旨からは、限界や失敗事例、計算コスト、実世界での定量比較に関する議論は不明。 - 提案手法の有効性はシミュレーションと実世界デモで示されるが、詳細な議論は要旨からは不明。

- 要旨で参照・比較されている具体的な先行研究名は不明。 - 関連手法としてmodel-based MPC、model-free learning、contact Jacobiansを用いた接触制御、分散触覚センシング、whole-arm manipulationの研究が挙げられる。 - 同分野の定番としてsampling-based MPCやlatent dynamics modelsの文献を次に読むべき。