日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

モデル学習/運動学arXiv:2610.15558

解析的ロボット自己モデル:レンダリングとモデルベース制御のためのスクリュー軸運動学の学習

Analytic Robot Self-Model: Learning Screw-Axis Kinematics for Rendering and Model-Based Control

シェア:XThreadsFacebookLINEはてブBluesky

多視点画像と関節読みから剛体リンク割り当てとスクリュー軸を同定し、閉形式順運動学と解析的ヤコビアンを得る自己モデルを提案。実機6軸アームでエンドエフェクタ位置を中央値6.4mmで予測し、到達・把持・四足歩行を実現した。

詳しい要約

1. どんなもの?

- ロボットの自己モデルを明示的な解析的表現で学習する手法。 - 変形ネットワークやURDF/CADテンプレートを必要としない。 - 多視点画像と関節読みから外観と運動証拠を得て、疎なエンドエフェクタ姿勢からメートル単位のスクリュー軸を同定。 - 閉形式の順運動学と解析的ヤコビアンを導出し、フィッティング範囲外でも評価可能。 - シミュレーションと実機で検証。

2. 先行研究と比べてどこがすごい?

- 従来の視覚的自己モデリングは運動学を暗黙的に符号化し、計算・制御用の関節パラメータを露出しない。 - 画像への適合が必ずしも正確な運動学を保証しない問題に対処。 - 変形ネットワークやURDF/CADテンプレートを不要にし、明示的でメートル単位のスクリュー軸を学習。 - 閉形式順運動学と解析的ヤコビアンにより範囲外評価が可能。

3. 技術・手法の肝は?

- 多視点画像と関節読みからガウス外観を構築し、剛体リンク割り当ての運動証拠を得る。 - 疎なエンドエフェクタ姿勢を独立に用いてメートル単位のスクリュー軸を同定。 - 閉形式の順運動学と解析的ヤコビアンを導出。 - これによりレンダリングとモデルベース制御が可能。

4. どうやって有効だと検証した?

- シミュレーションの7軸アーム、12関節四足歩行ロボット、実機6軸アームで検証。 - シミュレーションではミリメートルレベルのリーチングとピックアンドプレース、閉ループ四足歩行を達成。 - 実機では未見構成のレンダリング、エンドエフェクタ位置予測の中央誤差6.4 mm(較正済みノミナルモデルは11.7 mm)、外部マーカーフィードバックによるリーチングを実現。 - 画像適合だけでは不十分であることを制御比較で示す:関節軸のみ異なる2つのPandaモデルはPSNRで0.54 dB差だが、エンドエフェクタ予測誤差は13.7倍異なる。

5. 議論はある?

- 画像への適合だけでは正確な運動学を保証しないことを定量的に示唆。 - 明示的解析モデルにより計算と制御への応用が可能。 - 限界や今後の課題については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:視覚的自己モデリング、変形ネットワーク、URDF/CADテンプレート、Pandaモデル。 - 関連手法:スクリュー理論、順運動学、解析的ヤコビアン、モデルベース制御。 - 同分野の定番:ロボット運動学同定、視覚的自己モデル学習。

※ 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: Chen Xu, Ning Tan

分類: cs.RO

原文アブストラクト

Visual self-modelling lets robots learn body models from observations, but such models usually encode kinematics implicitly rather than exposing metric joint parameters for computation and control. Moreover, a good fit to images does not by itself establish accurate kinematics. Here we present an explicit analytic robot self-model that requires neither deformation networks nor URDF/CAD templates. Multi-view images and joint readings establish Gaussian appearance and provide motion evidence for rigid link assignments, whereas sparse end-effector poses independently identify metric screw axes. The resulting closed-form forward kinematics and analytic Jacobian can be evaluated beyond the fitting ranges. We validate the model on a simulated seven-axis arm, a simulated twelve-joint quadruped and a real six-axis arm. In simulation, it achieves millimetre-level reaching and pick-and-place, as well as closed-loop quadruped walking. On the real arm, it renders held-out configurations, predicts end-effector positions with a median error of 6.4 mm, compared with 11.7 mm for a calibrated nominal model, and supports reaching with external marker feedback. A controlled comparison shows that image fit alone is not enough: two Panda models differing only in their joint axes are 0.54 dB apart in PSNR, yet their end-effector prediction errors differ 13.7-fold.

  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