MEKAWIRE
上級arXiv

Amazon FARのFLoRe、力を扱う人型ロボット方策で成功率80% 位置のみは26.7%

Sihang Li, Xiaofeng Guo, Jinkun Cao, Charlie Cheng, Ruihan Yang, Chen Feng, Guanya Shi, Haozhi QiAmazon FAR (Frontier AI & Robotics), New York University, Carnegie Mellon University, University of Chicago
30秒で読む

Amazon FARのプレプリントによると、接触力を扱う人型ロボットの方策は実環境3タスクで成功率80%、位置のみの方策は26.7%だった。データはロボットなしで力センサー付きグリッパーにより収集した。

研究課題

手の位置だけでなく押す強さが重要な作業を、ロボットなしで記録した実演から人型ロボットが学べるか、また全身制御器が歩行とバランスを保ちながら指令どおりの力を出せるかを問う。

問題

手持ちグリッパーによるロボットなしのデータ収集は模倣学習のコストを大きく下げたが、記録するのは動きだけだ。重い台車を押す、両手で箱を回す、ボードを拭くといった作業には適切な力が要る。位置をなぞるだけの方策は接触を失うか押し過ぎ、一般的な人型ロボットの全身制御器は力の指令をそもそも受け付けない。

従来の手法

SONICなどの全身追従制御器は手と体の参照動作に従うが力の入力を持たない。外側にアドミッタンスループを付ければ力を要求できるが、サーボがバランス方策の外で働くため要求の一部しか実現しない。動きだけの実演で学習した拡散方策は接触力を無視する。

新しい手法

FLoReは力とトルクを測るUMI型の手持ちグリッパー2台と体に付けるトラッカーで実演を記録し、手の動きと接触レンチを同時に残す。ハイブリッドコンプライアンス全身制御器は動作と指令された手先の力を同時に追従するよう学習し、測定した力の誤差を積分することで接触対象の剛性を知らなくても力を合わせる。上位方策は力を入力として姿勢と力指令を出力し、Unitree G1で動かした。

結果

シミュレーションでは5〜25Nの指令をゲイン1.03〜1.06、片手あたり約1Nの接触誤差で追従した。アドミッタンスを付けたSONICはゲイン0.67〜0.70、誤差7.9Nだった。実機で固定した力計を押す試験では前後方向で指令の約91%を出し、平均誤差1.1N、1N以内に収まるまで1.8秒だった。別のロボットを吊るしたガントリーを押す、両手で箱を回す、ボードを拭くという実環境3タスクで、全体システムは30回中24回(80%)成功した。制御器に力指令を渡さないと36.7%、方策から力入力を外すと66.7%、位置のみの拡散方策は26.7%だった。

限界

各タスクの試行は10回のみで成功率の不確実性は大きく、1機種で3タスクを試しただけだ。横方向と下方向の力指令はゲインが低く他の軸に漏れる。センサーが静止時に1.3〜1.5Nを示すため1.5N未満の指令はゼロとし、上限は25Nとした。力追従の代償として、力なし版より胴体位置の誤差が1.3〜3.2cm増える。プレプリントである。

産業への影響

台車押しや大きな箱の取り扱い、清掃など接触の多い作業は物流やサービス向け人型ロボットの稼ぎどころだが、動きだけの模倣学習が取りこぼす領域だ。Amazon自身のロボット研究組織がUnitree G1と安価な手持ち収集機器で実現した意味は大きく、川崎重工やカワダロボティクスなど国内で人型ロボットに取り組む企業にも参考になる。力の注釈付きでロボット不要のデータは1〜2年で標準的なデータ商品になりうるし、制御器はそれを使うための力入力を備える必要がある。

論文全文

CC BY 4.0 のもとで公開された論文です。全文は出典を明記して英語のまま転載しています:全文を読む(英語)。原文は arXiv:2610.35862(PDF)。