MEKAWIRE
上級arXiv

GRAFT:固定した全身追従モデルに後付けする地形適応モジュール

Liang Li, Guoyao Zhang, Xingyu Chen, Sikai Wu, Qianyang Wu, Yuhang Lin, Renjing Xu, Mingliang Zhou, Diyun XiangXiaomi Robotics Lab; HKUST(Guangzhou)
30秒で読む

シャオミのロボティクス研究所のプレプリントによると、小型の追加ネットワークにより動作追従モデルSONICの難地形シミュレーション成功が40回中3回から39回に増えた。実機のUnitree G1は搭載深度センサーだけで0.30mの台と0.10m、0.17mの段差を越え、変更前のモデルは同じ参照動作で足踏みにとどまった。

研究課題

全身追従モデルを再学習せず、小さな地形補正を加えるだけでヒューマノイドは階段、隙間、台を越えられるのか。

問題

行動基盤モデルは、収録動作、遠隔操作、VLAモデルなど任意の参照動作に従う単一の方策である。ただ学習データの多くは平地の動作で、前方の地面に合わせて足の位置や振り上げ高さを変える仕組みを持たない。

従来の手法

従来の地形対応手法の多くは、追従モデルを認識系と一緒に再学習または微調整してきた。データと計算のコストがかかるうえ、通常の追従機能が認識経路に結び付き、追従モデルを単独で入れ替えにくくなる。

新しい手法

GRAFTは追従モデルのパラメータと参照インターフェースを変更しない。軽量アダプターが下半身の実行目標にだけ地形に応じた補正を加える。タスクと足部形状の報酬で学習し、平地での補正には罰則を与え、その後、特権的な地形情報から搭載深度入力へ蒸留する。

結果

地形条件ごとに10回試験した結果、GRAFT適用前後の成功回数はSONICが40回中3回から39回、Humanoid-GPTが3回から34回、HoloMotionが8回から39回、ScaleBFMが2回から20回だった。複合コースの平均補正量は障害物区間1.529、平地0.408で、隙間で最大3.488に達した。腰の追従誤差は平地の1.18度から障害物の3.17度に増えた。実機のUnitree G1は0.30mの台と0.10mの段差を越え、変更前のモデルは足踏みにとどまった。0.17mの段差と台車押しの場面も示した。

限界

プレプリントである。成功率は条件あたり10回の小規模なシミュレーション結果で、実機の結果は試行回数のない実演にとどまる。改善幅にもばらつきがあり、ScaleBFMは下り階段で10回中1回から0回に下がり、Humanoid-GPTは台で5回にとどまった。全モデルでSONICデータセットの参照動作を用いており、著者は順位付けではないと説明している。モデルごとに専用のアダプターが必要になる。

産業への影響

追従モデルを外部から導入するヒューマノイド企業にとって、地形対応を全面再学習ではなく別モジュールとして提供できる可能性を示す。階段や段差の多い日本の工場や施設への導入を考えるメーカーにも関係する。実機での信頼性は測定されておらず、当面の価値は研究と実証段階にある。

この論文はライセンス上、全文を転載できないため、要約と原文へのリンクのみを掲載しています。