シハン・リー (Sihang Li) 氏らは2026年10月26日(現地時間)、ヒューマノイドロボットが動作と接触力の両方を制御する能力を学習するためのフレームワーク「フロア (FLORE)」を発表した。この研究は、日常的なタスクにおけるロボットのロコ・マニピュレーション (移動と操作の統合) 能力向上を目的としており、ロボットフリーのデモンストレーションデータと、視覚、自己受容感覚、測定された力およびトルクの組み合わせ (レンチ) を入力とする力反応型拡散ポリシー (diffusion policy) を活用する。シミュレーションと実ロボットの両方で、従来の姿勢のみの制御と比較して高い成功率を示した。
多くの日常的なタスクでは、動きだけでなく接触力の制御も必要とされる。ヒューマノイドロボットの場合、この力は両手と全身にわたって協調させる必要があり、運動学的軌道のみでは指定できない課題があった。
フロア (FLORE) は、力反応型ヒューマノイドのロコ・マニピュレーションを学習するためのフレームワークとして提案されている。研究チームは、ロボットを使用しないデモンストレーションデータを収集した。これには、力覚センサー付きのUMI-style handheld grippersを用いて手の動きと接触レンチを記録し、ウェアラブルトラッカーを用いて体の動きを記録する手法が用いられた。
このフレームワークでは、力反応型拡散ポリシーが視覚情報、自己受容感覚 (proprioception)、および測定されたレンチを入力として受け取り、ロボットのアクションと各手の力コマンドを予測する。これらのコマンドは、バランスを維持しながら、力追従機能を備えたハイブリッドコンプライアンス全身制御器 (hybrid compliance whole-body controller) によって実行される。リアルタイムの力/トルク (F/T) センサーによって測定される力の誤差積分により、各手はコマンドされた方向に沿って正確に力を追従し、他の方向に対しては柔軟性を保つ。
シミュレーションでは、この制御器が様々な大きさや方向の各手の力コマンドを追従し、全身体の動きの精度をほとんど損なわないことが確認された。さらに、実ロボットを用いた3つの接触が多いタスクにおいて、力反応型ポリシーはロールアウトの80%で成功した。これは、同じデモンストレーションで訓練され、同じ制御器によって実行された姿勢のみのポリシーの26.7%と比較して大幅な改善となる。発表された論文には、シハン・リー (Sihang Li) 氏、シャオフェン・グオ (Xiaofeng Guo) 氏、ジンクン・ツァオ (Jinkun Cao) 氏、チャーリー・チェン (Charlie Cheng) 氏、ルイハン・ヤン (Ruihan Yang) 氏、チェン・フェン (Chen Feng) 氏、グアンヤ・シー (Guanya Shi) 氏、ハオジー・チー (Haozhi Qi) 氏が著者として名を連ねている。
参考: arXiv cs.RO (アーカイブ) — 2026年10月27日 02:59 (JST)
原文ハイライト"A force-reactive diffusion policy takes vision, proprioception, and measured wrenches as input"