arXiv cs.RO は7月30日(現地時間)、リジー・ヤン (Lizhi Yang) 氏、ジュンヘン・リー (Junheng Li) 氏、アーロン・D・エイムズ (Aaron D. Ames) 氏らが発表した論文で、人型ロボットがドッジボールを行う際の全身安全性を確保する新たな知覚対応CBF-RL（Control-Barrier Function-Reinforcement Learning）フレームワーク「パックマン (PAC-MAN)」を公開した。これは制御バリア安全性と実環境に即したオンボードセンシングを統合する。
パックマン (PAC-MAN) は、ヘッドマウントカメラから取得されるセグメンテーションマスク処理された深度情報のみを用いてボールを認識し、展開されたポリシーを実行します。同時に、訓練時にはCBF（Control-Barrier Function）ガイダンスが全身の各リンクへのクリアランスを表現し、敵対的モーション事前分布が回避反射の正規化に寄与します。
研究チームは、制御されたany-link contactベンチマークでこのフレームワークの評価を実施しました。このベンチマークは二つの主要なレジームを含みます。一つはロボットに対する単一のスローであり、もう一つはロボットがステーションに戻り、次のスローに備えて回復する展開ループです。評価の結果、PAC-MANのポリシーは特権状態オラクル（privileged state oracle）とわずかな性能差で同等の性能を示しました。これにより、固定されたオンボードカメラ単独でも、効果的なボール回避動作を十分に行えることが確認されました。
さらに、使用可能なバリア構造の性能が知覚の観測可能性に大きく依存することも判明しました。特に、Joint-CBFは正確なボール状態が既知である場合には最高の性能を発揮しますが、固定カメラの観測を訓練ガイダンスとしてのみ使用した場合、その性能は低下する傾向が見られました。しかし、ボール追跡ジンバルや特権実行時フィルターを併用することで、Joint-CBFの性能を回復させることが可能でした。
研究チームは、軽量なLink-CBFポリシーをユニツリー G1 (Unitree G1) ロボットにゼロショットで実世界展開しました。その結果、このポリシーは不完全な知覚環境下でも頑健に機能し、試行されたスローの95%で成功を収めました。また、セマンティックセグメンテーションを用いることで、異なる種類のボールであっても効果的に回避できることを実証しました。
参考: arXiv cs.RO — 2026年7月31日 02:59 (JST)
原文ハイライト"Perception-Aware CBF-RL for Whole-Body Safety"