組み込みsim-to-real視覚サーボ：学習によるリーチングと力誘導配置

- 組込み型のperception-to-controlシステムに関する研究。 - NVIDIA Jetson AGX Orin上でFranka Research 3をCartesian impedance controlにより制御。 - RealSense D435i、YOLO11-seg、depth back-projection、hand-eye calibrationでロボット座標系の目標を取得。 - 学習ベースのreachingと力誘導のcontact placementを組み合わせる。

- 先行研究との具体的比較は要旨からは不明。 - 貢献として、simulationから転送したPPO方策によるreachingと、約2 Nのnormal contactとspiral searchを用いる力誘導のCartesian placementを同一アーキテクチャ上で比較。 - 学習によるfree-space reachingと明示的なcontact correctionの組合せを組込み環境で実現する点を主張。

- 知覚: RealSense D435i、YOLO11-seg segmentation、depth back-projection、hand-eye calibration。 - 制御: Cartesian impedance control。 - 戦略1: simulationから転送したcompactなPPO方策でobject-regionおよびhole-regionへのreachingを学習。 - 戦略2: 約2 Nのnormal contactとspiral searchによる力誘導のCartesian placement。 - 推論はTensorRTを使用。

- simulationで各PPO方策を1000 episodesずつ評価し、成功率87.2%と83.1%。 - 実機では各戦略50 trialsずつ実施。 - learned hybrid pipelineは70.0%、force-guided analytical pipelineは74.0%のcompletion。 - TensorRT使用時の平均perception latencyは34.55 ms。

- 結果は、learned free-space reachingと明示的なcontact correctionを組み合わせた組込みアーキテクチャを支持。 - 実機ではforce-guided analytical pipelineがlearned hybridを上回るcompletion率。 - 制約や失敗要因、一般化可能性に関する詳細な議論は要旨からは不明。

- 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PPO、Cartesian impedance control、YOLO11-seg、TensorRT、sim-to-real transfer、visual servoing、force-guided assemblyに関する文献が次に読む候補。 - 具体的な論文名は要旨からは不明。