HOTICE: 混雑環境における全身ヒューマノイド物体搬送

- 人間中心の実環境で活動する humanoid robot の物体輸送能力を扱う研究。 - ロボットと運搬物の周囲の自由空間が clutter で制約される状況に焦点。 - HOTICE という whole-body humanoid learning framework を提案。 - 物体輸送を clutter 環境で実現することを目的とする。

- 既存手法は robot と payload の両方の周囲が clutter で制約されると苦戦する。 - HOTICE は robot と運搬物の両方に対する衝突回避誘導を jointly に符号化。 - whole-body loco-manipulation の大きな action space に対し dual-agent RL で対処。 - specialist-to-generalist distillation により多様な clutter scene へ汎化する policy を学習。

- Humanoid-Object Decoupled Potential Fields を導入。 - robot と carried object の衝突回避誘導を jointly に符号化。 - 両者の coordinated かつ obstacle-aware な運動を可能にする。 - dual-agent reinforcement learning architecture を設計。 - upper-body と lower-body の制御を decouple。 - shared state observations と rewards で whole-body coordination を保持。 - specialist-to-generalist distillation strategy を採用。 - privileged teacher policies を単一の deployable student policy へ distill。

- MuJoCo simulation で評価。 - 実機 Unitree G1 humanoid で評価。 - 様々な形状の物体について clutter scenario での物体輸送を検証。 - 結果として whole-body motion と object-aware collision avoidance を安定的に coordinated。 - 未見の clutter 環境への汎化と sim2real deployment での強い性能を確認。

- 要旨からは不明。 - 限界や失敗事例、計算コスト、安全性に関する議論は要旨に記載なし。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として whole-body loco-manipulation、dual-agent reinforcement learning、specialist-to-generalist distillation、Humanoid-Object Decoupled Potential Fields が挙げられる。 - 同分野の定番として humanoid loco-manipulation や sim2real transfer に関する研究を読むとよい。