RATE、リスク対応触覚エンコーディングで接触リッチ操作を改善、パラメータ更新は0.59%
RATEは、接触リッチなロボット操作向けにタスク条件付きリスクを触覚表現へ埋め込む枠組みである。シミュレーション8タスクで平均成功率71.8%、実機3タスクでいずれも最高のタスク成功率と接触安全成功率を達成した。本論文はプレプリントである。
触覚観測が似ていてもリスク水準が異なる接触リッチ操作において、タスク条件付きリスクを触覚表現に埋め込むことで、下流ポリシーの不要な修正や遅延応答を減らせるか。
接触リッチ操作ではセンサノイズ、タスク上必要な変動、望ましくない接触の初期兆候が類似した触覚観測を生む。既存の触覚表現は文脈に基づくリスク情報を十分に持たず、下流ポリシーが無害な変動に過剰修正したり、危険な接触への応答が遅れたりする。
従来は視触覚表現学習（UniVTAC、VITaLなど）、時間的触覚モデル、接触認識による操作改善が進んだ。しかし目的関数が、進行中の相互作用文脈におけるタスク条件付きリスクに沿って触覚表現を組織化するようには設計されておらず、リスク信号は事象予測や制御制約などに使われるにとどまった。
RATEは左右の触覚履歴から接触状態、局所時間変化、その蓄積をLSTMで符号化し、将来のRGB・深度・接触姿勢変化の予測と将来アラート信号の回帰を同時に学習する。得られたリスク対応表現を、ゼロ初期化した残差アダプタ経由で従来の触覚トークンに加算し、ACT方策へ統合する。適応時は触覚エンコーダ、視覚バックボーン、ACTバックボーンを凍結し、全パラメータの約0.59%のみ更新する。
シミュレーションUniVTAC8タスクでRATEは平均成功率71.8%を達成し、ACT+UniVTAC（同一条件で再訓練）の47.4%、StarVLA-αの56.1%などを上回った。接触リッチ4タスク平均は72.0%で、最も強い比較手法より23.0ポイント高かった。アブレーションでは、タスク固有触覚ベース44.0%に対し、連続重症度アラートのみ57.5%、コンテキストのみ56.0%、両者併用のFull RATEで71.8%となった。実機ではUSB挿入75%、ボトルキャップ締め85%、プラグ挿入60%の成功率で、3タスクすべて比較手法中最高。接触安全成功率も各タスクで最高だった。
著者は、接触の大きさが段階間で大きく変わると、タスクに関係する微妙な触覚変動が表現上区別しにくくなる可能性を指摘している。また実機評価は1台のロボットプラットフォーム、3タスク、各20試行に限られ、シミュレーションの一部比較手法は公開値と条件が異なる可能性がある。コード公開の有無は論文では報告されていない。
電子部品挿入、コネクタ接続、ボトルキャップ締めなど精密組立・検査工程を持つメーカーや触覚センサを導入するロボットインテグレーターが、現在から1〜3年程度で活用できる可能性がある。前提として、タスク固有の触覚アラート信号を定義し、数十件規模のデモと触覚センサを用意する必要がある。大規模モデルに依存しないため、計算資源が限られる現場への導入余地がある。
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。