アームのない4脚ロボットが積み重ねた箱を押して運ぶ、SOMAはシミュレーション成功率90.1%でユニツリーGo1に直接移植
アームを持たないユニツリーのGo1が、体を低くしながら押すことで2段に積んだ箱を目標の5cm、5度以内まで運ぶ方法を学んだと、研究者が14日公開のプレプリントで発表した。シミュレーションでは一辺0.4m、下段8kgの組み合わせで成功率90.1%、上段の箱が落ちたのは1.0%だった。学習はワークステーション1台で約1時間20分と、従来の最良手法が報告した15時間を大きく下回った。
マニピュレーターのない脚ロボットが、固定されていない重い物体の積み重ねを、上の物体を滑らせたり倒したりせずに全身で正確な位置まで動かせるかを問う。
4脚ロボットは歩行が得意だが手がない。アームを載せると重さと幅が増え、運べる荷重が減る。体で押す方法は重い物に向くが、従来の制御器は胴体の高さを固定して平面的にしか押せず、最適化に基づく計画には物体と床の正確なモデルが要った。
脚を腕として使う研究はドアやスイッチ、軽い物を扱ったが、多くは胴体を静止させていた。アーム搭載型の4脚はつかめるが、占有空間と可搬重量で不利になる。全身で押すための階層型強化学習（Jeonら、2024年）は固定高さで単一物体を扱い、学習に約15時間かかった。
SOMAは制御を2層に分ける。約10万パラメータの50Hz歩行方策が速度と旋回、0.1〜0.3mの胴体高さ指令に追従し、10Hzの操作方策がその指令を出す。両方とも直近の履歴を記憶するS5状態空間系列エンコーダーを使い、箱の反応から質量と摩擦を推定する。操作方策はベータ分布から指令を引き、切り捨てなしに物理的な上限を守る。学習は歩行、箱1個、2段の箱の3段階で、箱の大きさ0.35〜0.45m、質量6〜10kg、床の摩擦0.3〜1.5を乱数で変えた。
シミュレーションでは、学習範囲を超える12kgの箱1個が中程度の形状で約90%、背が高く細い形状で82%成功した。複数サイズで学習したモデルは4kgの軽い箱で単一サイズのモデルを22.9〜27.2ポイント上回った。2段の箱9通りの成功率は71.4〜90.1%、崩れた割合は0.2〜12.1%で、小さく軽い0.3mの箱が最も悪かった。実機のGo1ではモーションキャプチャーで位置を与え、追加学習なしで動いた。最も難しい2段設定の4回の試行で位置誤差は約2mから約18秒で0.05m未満に縮み、押す間に胴体高さは約0.22mから0.12mに下がった。
プレプリントで、本文に著者の所属は書かれていない。実機の節は5つの設定を挙げて1つを図示するだけで、成功率の表はない。位置はカメラ8台のOptiTrackから得ており、搭載センサーではないため研究室の外ではまだ使えない。荷重は平らな床で4〜12kg、最大2段に限られる。
ユニツリーやANYbotics、ボストンダイナミクス、DEEP Roboticsの4脚ロボットを点検や救助、物流に使う利用者は、アームを積まずに障害物を片付けたり物を動かしたりしたいと考えている。今回の研究は胴体高さ制御をソフトウェアだけで加えられることを示した。プラントや災害現場での点検に4脚ロボットの導入が進む日本でも、低コストな機能追加として注目される。現場での実用には搭載センサーによる認識への置き換えが必要で、2年以上先とみられる。
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。