ManiDreams：不確実性を考慮したタスク固有の直観的物理による、頑健な物体操作のためのオープンソースライブラリ

Abstract

ダイナミクスモデル（シミュレータであれ学習済みの世界モデルであれ）は、ロボット操作において長らく中心的な役割を担ってきましたが、ほとんどはより基本的な課題に向き合うのではなく、予測誤差の最小化に注力しています。すなわち、現実世界での操作は本質的に不確実性を伴います。本研究では、不確実性のもとで頑健に操作することは本質的に統合問題であると主張します。不確実性は、学習中に単に抑え込むのではなく、計画ループの中で表現し、伝播させ、制約として課す必要があります。我々は、直感的な物理モデルに対する不確実性を考慮した操作計画のためのモジュール式フレームワークであるManiDreamsを提示し、オープンソースとして公開します。この統合は、分布としての状態表現、バックエンド非依存のダイナミクス予測、行動最適化のための宣言的な制約指定という、組み合わせ可能な抽象化によって実現されます。このフレームワークは、3つの不確実性の源—知覚的・パラメトリック・構造的—を明示的に扱います。さらに、任意の基盤ポリシーを、候補となる行動を分布的な結果に対して評価する「サンプル→予測→制約付け」ループで包むことで、再学習なしに頑健性を追加します。ManiSkillタスクでの実験では、ManiDreamsは、RLベースラインが大きく性能低下するさまざまな攪乱に対しても、頑健な性能を維持することが示されました。押し込み、把持、キャッチ、ならびに実環境へのデプロイに関する実行可能な例により、異なるポリシー、オプティマイザ、物理バックエンド、エグゼキュータにまたがる柔軟性が実証されます。このフレームワークは https://github.com/Rice-RobotPI-Lab/ManiDreams で公開されています