新シミュレーション手法でロボットが物体特性を精密把握

マサチューセッツ工科大学、ケンブリッジ、マサチューセッツ州

新しいシミュレーション手法により、ロボットが物体を持ち上げるだけで重量、柔らかさ、その他の物理的特性を推測可能に。（画像：MIT News/iStock）

屋根裏の不用品を片付ける人間は、中身を見なくても箱を持ち上げて振るだけで中身を推測できます。MIT、Amazon Robotics、ブリティッシュコロンビア大学の研究者たちは、ロボットにも同様のことを教えました。

彼らは、ロボットが内部センサのみを使用して、物体を持ち上げて優しく振ることで、物体の重量、柔らかさ、内容物を学習できる手法を開発しました。この手法では外部測定ツールやカメラを必要とせず、ロボットは数秒で物体の質量などのパラメータを精密に推測できます。

この低コスト手法は、カメラが効果的でない用途（暗い地下室での物体仕分け、地震で半分崩壊した建物内の瓦礫除去など）で特に有用です。

彼らのアプローチの鍵は、ロボットと物体のモデルを組み込み、ロボットが物体と相互作用する際にその特性を迅速に特定するシミュレーションプロセスです。

研究者たちの手法は、コンピュータビジョンを取り入れたより複雑で高価な手法と同等に物体の質量推測が可能です。さらに、データ効率の良いアプローチは、多くの未知シナリオを処理するのに十分な堅牢性を持っています。

「このアイデアは一般的で、ロボットがこの方法で何を学べるかの表面をかいただけだと私は信じています。私の夢は、ロボットが世界に出て、環境内のものに触れ、動かし、相互作用するすべてのものの特性を自力で理解できるようになることです」と、MITポスドクで論文筆頭著者のPeter Yichen Chen氏。

研究チームの手法は、人間やロボットの空間内での動きや位置を感知する能力である本体感覚を活用します。例えば、ジムでダンベルを持ち上げる人間は、手でダンベルを持っていても、手首と上腕二頭筋でその重さを感じ取れます。同様に、ロボットはアームの複数の関節を通じて物体の「重さ」を「感じ取れます」。

「人間は指の関節角度の超精密な測定値や、物体に加えている正確なトルク量を持っていませんが、ロボットは持っています。我々はこれらの能力を活用します」と、共著者のMITポスドク、Chao Liu氏。

ロボットが物体を持ち上げる際、研究者たちのシステムはロボットのジョイントエンコーダ（移動中の関節の回転位置と速度を検出するセンサ）から信号を収集します。

ほとんどのロボットには、可動部品を駆動するモーター内にジョイントエンコーダがあるとLiu氏は付け加えます。これにより、触覚センサやビジョントラッキングシステムのような追加コンポーネントを必要としないため、他のアプローチよりコスト効率が良くなります。

ロボット-物体相互作用中の物体特性推定のため、システムは2つのモデルに依存します：ロボットとその動きをシミュレートするモデルと、物体の力学をシミュレートするモデルです。「現実世界の正確なデジタルツインを持つことは、我々の手法の成功にとって本当に重要です」とChen氏。

彼らのアルゴリズムは、物理的相互作用中のロボットと物体の動きを「観察」し、ジョイントエンコーダデータを用いて逆算し、物体の特性を特定します。例えば、ロボットが同じ力を加えた場合、重い物体は軽い物体よりゆっくり動きます。

彼らは微分可能シミュレーションと呼ばれる手法を用います。これは、物体の特性（質量や柔らかさなど）の小さな変化がロボットの最終関節位置にどう影響するかをアルゴリズムが予測できるようにします。研究者たちは、微分可能シミュレーションをサポートするオープンソース開発者ツールであるNVIDIAのWarpライブラリを使用してシミュレーションを構築しました。

微分可能シミュレーションがロボットの実際の動きと一致すると、システムは正しい特性を特定したことになります。アルゴリズムは数秒でこれを実行でき、ロボットの実世界での動き軌道を1つ見るだけで計算を実行できます。

「技術的に言えば、物体のモデルとロボットがその物体にどう力を加えられるかがわかっていれば、特定したいパラメータを導き出せるはずです」とLiu氏。研究者たちはこの手法で物体の質量と柔らかさを学習しましたが、慣性モーメントや容器内流体の粘性などの特性も決定可能です。

さらに、コンピュータビジョンや外部センサに依存する一部の手法のように膨大なトレーニングデータセットを必要としないため、未知の環境や新しい物体に直面しても失敗しにくいです。

将来、研究者たちはこの手法をコンピュータビジョンと組み合わせ、さらに強力なマルチモーダルセンシング手法を作りたいと考えています。

「この研究はコンピュータビジョンを置き換えるものではありません。両手法には長所と短所があります。しかしここでは、カメラなしでこれらの特性の一部をすでに把握できることを示しました」とChen氏。

また、より複雑なロボットシステム（ソフトロボットなど）や、より複雑な物体（揺動液体や砂のような粒状媒質など）への応用も探求したいとしています。長期的には、この手法をロボット学習の改善に応用し、将来のロボットが新しい操作スキルを迅速に開発し、環境の変化に適応できるようにすることを望んでいます。

詳細については、Melanie Gradosまでご連絡ください：This email address is being protected from spambots. You need JavaScript enabled to view it.；617-253-1682。