Sumo：動的かつ汎用的な全身ロコマニピュレーション

arXiv cs.RO / 2026/4/10

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、前学習済みの全身制御ポリシーをテスト時にサンプルベースのプランナで操ることで、大きく重い物体の全身による動的マニピュレーションを脚型ロボットが実現するための、sim-to-real（シミュレーションから実環境への）フレームワークを提案する。
追加のチューニングや再学習なしで、複数の動的ロコマニピュレーション課題および物体タイプにまたがって強力な汎化が得られると主張している。さらに、テスト時にプランナのコスト関数を調整することで、性能改善が可能だとしている。
実世界でのSpot四脚ロボットを用いた実験では、ロボットの公称リフティング能力を超えて重いタイヤの起こし（横倒しからの立て直し）や、ロボットより大きく背の高いバリアの引きずりを行っている。
本アプローチは、ドアを開ける／テーブルを押すといったヒューマノイド風のロコマニピュレーション課題について、シミュレーション上でも実証されている。
著者らは、再現性やさらなる評価を支援するために、プロジェクトのコードおよび動画資料をプロジェクトWebサイトを通じて提供している。

Abstract

本論文は、脚のあるロボットが全身の器用さ（dexterity）によって、大きく重い物体を動的に操作できるようにする、sim-to-real（シミュレーションから実世界への）アプローチを提示する。鍵となる洞察は、事前学習済みの全身制御ポリシーに対して、サンプルベースのプランナーを用いたテスト時の操舵（steering）を行うことで、これらのロボットがさまざまな動的な移動操作（loco-manipulation）タスクを解決できるようになる点にある。興味深いことに、本手法は追加の調整や学習を行うことなく、多様な対象物とタスクへ一般化でき、さらにテスト時にコスト関数を柔軟に調整することで強化できることを見出した。実世界におけるSpot四足ロボット上で、より困難な複数の移動操作タスクを通じて本手法の能力を実証する。具体的には、ロボットの公称なリフティング能力を上回って重いタイヤを起こすことや、ロボット自身よりも大きく背の高い車止め／群集整理用のバリアを引きずることを含む。加えて、同じアプローチが、シミュレーション上で、ドアを開けることやテーブルを押すことといったヒューマノイドの移動操作タスクにも一般化できることを示す。プロジェクトコードと動画は \\href{https://sumo.rai-inst.com/}{https://sumo.rai-inst.com/} で利用可能である。