物体中心ポリシーを組み合わせたリcedingホライズン押し動作

- 非把持マニピュレーションの一種で、任意形状の3D物体を長期的に押して目標姿勢に移動させるタスクを扱う。 - 物体中心の押しポリシーを階層的フレームワークに組み込む。 - 低レベルでは学習ベースのポリシーが点群から接触行動を予測し、高レベルではBIT*が物体経路を探索する。 - シミュレーションと実機で有効性を検証。

- 従来の非把持マニピュレーションでは、長期的な押し操作における安定性や到達可能性、将来の実行可能性の考慮が不十分だった。 - 本研究では、準静的滑り対転倒解析による安定性スコアと、運動計画のフィードバックを統合し、長期的なタスクを実現。 - ベースラインと比較して明確な優位性を示し、ゼロショットのsim-to-real転移も達成。

- 低レベル：姿勢・スケール正規化点群から、ほぼ単一ステップのサブゴールに条件付けられた接触行動を学習ベースポリシーで予測。 - 安定性評価：準静的滑り対転倒解析により予測接触を評価。 - 高レベル：BIT*で物体経路を探索し、次の複数サブゴールを接触予測とロボット運動計画で将来の実行可能性をチェック。 - 運動計画の失敗をフィードバックとして局所経路コストを変更し再計画。実行時は最初の実行可能な行動のみを実行。

- シミュレーションで22物体、6シーンを評価し、包括的なアブレーション研究を実施。 - ベースラインと比較して明確なマージンで優位性を示し、異なる状況下で長期的な物体押しタスクを信頼性高く達成。 - Frankaアームによる定量的実機実験と、移動マニピュレータによる大重量物体の定性的デモンストレーションを報告。ゼロショットのsim-to-real転移を直接実現。

- 要旨からは不明。

- 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、非把持マニピュレーション、BIT*、準静的滑り対転倒解析、学習ベースの押しポリシー、sim-to-real転移に関する研究が挙げられる。