日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

弾性物体操作arXiv:2607.23268

Sling2Sim2Real: 非破壊スリングショットポリシー学習のためのワンショット弾性システム同定

Sling2Sim2Real: One-Shot Elastic System Identification for Non-Destructive Slingshot Policy Learning

シェア:XThreadsFacebookLINEはてブBluesky

弾性物体操作のシミュレーション環境を実世界の弾性特性に合わせるため、単一の非破壊的相互作用から弾性パラメータを同定し、シミュレーションでポリシー学習を行うフレームワークを提案した。

詳しい要約

1. どんなもの?

Sling2Sim2Realは、弾性物体操作(EOM)のためのone-shot Real2Sim2Realフレームワークである。単一の非破壊的インタラクションから弾性パラメータを同定し、シミュレーション内でポリシー学習を行い、実機へzero-shot転送する。スリングショット操作タスクを対象とし、Franka Emika Pandaアームと多様な物性の弾性バンドを用いて評価している。

2. 先行研究と比べてどこがすごい?

従来のEOMでは、弾性物体の多様な変形特性により状態空間が拡大し、正確なポリシー学習には広範な探索が必要であった。また、実世界での試行はコストが高く破壊的(例:繰り返しの発射)であるため、シミュレーションが安全な代替手段となるが、弾性特性は視覚観察だけでは識別が困難で、実世界とシミュレーション間の正確なキャリブレーションが課題であった。Sling2Sim2Realは、単一の非破壊的インタラクションから弾性パラメータを同定することで、実世界インタラクションの量を大幅に削減しつつ、正確なポリシー学習とロバストな一般化を実現する点が新しい。

3. 技術・手法の肝は?

手法の肝は2段階構成である。第1段階はmulti-start Real2Simシステム同定法で、パラメータの共分散を利用して弾性特性を推定する。第2段階は、キャリブレーションされたシミュレータを用いたシミュレーションベースのポリシー学習と、その後のzero-shot Sim2Real転送である。

4. どうやって有効だと検証した?

スリングショット操作タスクにおいて、Franka Emika Pandaアームと多様な物理特性を持つ弾性バンドを使用し、異なるターゲット距離で評価した。実験結果から、正確なポリシー学習とロバストな一般化を達成し、必要な実世界インタラクションの量を大幅に削減できることを示した。

5. 議論はある?

要旨からは、提案手法の限界や他のアプローチとの比較などの議論は不明である。ただし、弾性パラメータの同定が視覚観察のみでは困難であるという課題に対して、単一の非破壊的インタラクションで解決している点は興味深いが、その同定精度や一般化の範囲については詳細が不明である。

6. 次に読むべき論文は?

要旨で参照されている研究や関連手法は明示されていないが、同分野の定番として、Real2Sim2Realフレームワークや弾性物体操作に関する研究、システム同定手法、Sim2Real転送に関する論文が挙げられる。具体的には、Deformable Object ManipulationやSystem Identification for Soft Robots、Domain Randomizationなどの関連研究が考えられる。

※ 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: Wonjae Kang, Geonwoo Kim, Minseok Song, Daehyung Park

分類: cs.RO

原文アブストラクト

Elastic object manipulation (EOM) involves highdimensional, nonlinear, and elastic deformations. The diverse deformation properties of elastic objects substantially expand the relevant state space, requiring extensive exploration to learn accurate manipulation policies for tasks such as slingshot manipulation. While simulation enables large-scale and safe exploration compared to costly and potentially destructive real-world trials (e.g., repeated projectile launches), accurately calibrating elastic behavior between the real world and simulation remains challenging since elastic properties are largely indistinguishable from visual observations alone. To address these challenges, we propose Sling2Sim2Real, a one-shot Real2Sim2Real framework that identifies elastic parameters from a single non-destructive interaction and enables policy learning in simulation. The framework consists of two stages: 1) a multi-start Real2Sim system identification method that exploits parameter covariance to estimate elastic properties, and 2) simulation-based policy learning followed by zero-shot Sim2Real transfer using the calibrated simulator. We evaluate Sling2Sim2Real on a slingshot manipulation task using a Franka Emika Panda arm and elastic bands with diverse physical properties across varying target distances. Experimental results demonstrate that Sling2Sim2Real achieves accurate policy learning and robust generalization while significantly reducing the amount of required real-world interaction.

  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI