FastGrasp：モバイル・マニピュレータによる高速で巧みな把持のための学習ベースの全身制御手法

Abstract

高速把持は、物流、製造、およびサービス用途におけるモバイルロボットにとって重要です。既存手法は、高速運動下での衝撃安定化、リアルタイムの全身協調、さまざまな物体や状況にわたる汎化といった根本的な課題に直面しており、固定ベース、単純なグリッパ、または遅い触覚応答能力によって制限されています。そこで本研究では、 \textbf{FastGrasp} という、モバイル高速把持のために把持誘導、全身制御、触覚フィードバックを統合する学習ベースの枠組みを提案します。提案手法は2段階の強化学習戦略であり、まず物体の点群に条件付けた条件付き変分オートエンコーダにより多様な把持候補を生成し、つぎに最適な把持選択に導かれてモバイルベース、腕、手の協調運動を実行します。触覚センシングにより、衝撃の影響や物体のばらつきを扱うための把持調整をリアルタイムで可能にします。大規模な実験により、シミュレーションと実環境の両方で把持性能が優れていることを示し、有効な sim-to-real（シミュレーションから実機への転移）によって、多様な物体形状にわたる堅牢な操作を達成します。