把持後における物体再配向によるロボット挿入の運動学的修復

- 把持後の物体を把持内で再配向し、挿入経路の運動学的実現可能性を回復する問題を扱う。 - 対象は UR5e の挿入タスクで、把持済み・挿入経路固定の条件下で小さな再配向を探索する。 - 提案は branch-aware IK graph による候補評価と、学習済み task-conditioned prior による探索順序改善、tactile-based extrinsic manipulation による実行からなる。

- 逐次 IK は不利な関節空間経路をたどり候補を見逃す可能性がある。 - 非平滑な feasibility landscape のため探索が計算的に高コストである。 - 提案は学習ランキングなしでも成功試行の平均再配向を grid-based sequential IK 比で 51.5% 削減し、学習ランキング追加で平均計画時間をさらに 51.1% 削減する。

- 達成済み把持と固定挿入経路に対し、小さな再配向で運動学的実現可能性を回復する候補を探す。 - 候補評価に branch-aware IK graph を用い、離散化した挿入経路上の最小 feasibility margin を最大化する。 - 学習済み task-conditioned prior でクエリ順序を改善し、選択した再配向を tactile-based extrinsic manipulation で実行する。

- UR5e シミュレーションで、学習ランキングなしの planner が grid-based sequential IK 比で成功試行の平均再配向を 51.5% 削減することを示す。 - 学習ランキング追加で平均計画時間がさらに 51.1% 削減されることを示す。 - 実ロボット実験で完全なパイプラインを検証する。

- 逐次 IK の候補見逃しと非平滑 landscape による計算コストが動機として挙げられる。 - 学習ランキングの効果は再配向削減ではなく計画時間削減として報告される。 - 限界や失敗条件、一般化可能性については要旨からは不明。

- 要旨で参照・比較されている grid-based sequential IK と sequential IK。 - 関連手法として tactile-based extrinsic manipulation、branch-aware IK graph、task-conditioned prior を用いた学習ベース計画。