不確実性下における高精度インタクト作業のためのハイブリッド制御ポリシー学習
arXiv cs.RO / 2026/4/22
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、不確実性下で各制御次元ごとに力制御と位置制御を動的に切り替えるハイブリッド位置-力制御ポリシーを提案する。
- モード切替の挙動を学習に明示的に反映するため、Mode-Aware Training for Contact Handling（MATCH）を導入し、行動確率を調整する。
- 極端なローカライゼーション不確実性の下での壊れやすいペグのはめ込みタスクで、MATCHは姿勢（ポーズ）ベースのみの制御より大幅に優れ、成功率が最大10%向上し、ペグの破損が5倍少ないことを示す。
- MATCHはデータ効率についてはポーズ制御と同等でありつつ、より広く複雑な行動空間を学習でき、シミュレーションから実機への結果でも高ノイズ条件で成功率が向上し、可変インピーダンス比で平均適用力が約30%減少することが報告されている。
