マニピュレーション2026/9/24arXiv:2609.29017

CALM: 電流整合型リンクマニピュレーションによる単腕での大型物体持ち上げ

CALM: Current Aligned Link Manipulation for Single Arm Oversized Object Lifting

モータ電流を関節負荷フィードバックとして活用し、前腕や肘を含む腕全体で大型物体を持ち上げる長期的接触操作をシミュレーションで学習し、実機へ転移するフレームワークを提案した。

詳しい要約

1. どんなもの？

- 単腕ロボットが大型物体を持ち上げるためのフレームワーク「CALM」を提案。 - モータ電流を関節負荷フィードバックとして活用し、長期的な接触リッチ操作を学習。 - 3段階のポリシー（再配置、把持、持ち上げ）を学習し、ステージルーターで順序付け。 - シミュレーションで訓練し、実機に転移。

2. 先行研究と比べてどこがすごい？

- 従来のエンドエフェクタのみの操作と異なり、前腕や肘など全身を活用する全身マニピュレーションを実現。 - 長期的スパース報酬、接触センシングの制限、sim-to-realギャップに対処。 - モータ電流を関節負荷フィードバックとして用いる点が新しい。

3. 技術・手法の肝は？

- 3段階のポリシーを特権シミュレーション情報で学習し、ステージルーターで順序付け。 - 因果電流マッパーがシミュレーションの関節履歴から物理モータ電流を予測し、sim-to-real転移を実現。 - 統一学生ポリシーが展開可能なセンサ観測のみでデモンストレーションから学習し、DAggerで改良。

4. どうやって有効だと検証した？

- シミュレーションで76.2%（762/1000試行）の完全タスク成功率。 - 実機で73.3%（22/30試行）の成功率を達成。 - 順序的な大型物体持ち上げタスクで検証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 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、DAgger、sim-to-real転移、接触リッチマニピュレーションの研究が挙げられる。

※ 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: Jun Hu, Sihan Chen, Kosta Jovanovic, David Navarro-Alarcon, Xueqian Wang, Jia Pan, Peng Zhou

分類: cs.RO

原文アブストラクト

Most robots manipulate objects solely with their end effectors, whereas humans flexibly leverage different body parts, such as the forearm and elbow, especially when handling oversized objects. Learning such whole-arm manipulation is chal-lenging due to long-horizon sparse rewards, limited contact sens-ing, and the sim-to-real gap in contact and actuator dynamics. To address these challenges, we propose Current-Aligned Link Manipulation, a framework for learning long-horizon contact-rich manipulation using motor current as joint load related feedback. Three stage-specific policies first learn repositioning, grasping, and lifting using privileged simulation information, and a stage router sequences them to generate complete task demonstrations. For sim-to-real transfer, a causal current mapper predicts physical motor current from simulated joint histories, aligning the actuator current observation between simulation and hardware. A unified student policy then learns from these demonstrations using only deployable sensor observations and is further refined with DAgger. The task policies are trained entirely in simulation, and the final student is deployed on hardware. Experiments demonstrate 76.2% (762/1000 trials) complete-task success in simulation and 73.3% success (22/30 trials) on the physical robot for sequential oversized-object lifting.

arXivで原文を読む →arXiv概要ページ

CALM: 電流整合型リンクマニピュレーションによる単腕での大型物体持ち上げ

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell