Xun Tu氏、Minghao Zou氏、Karthik Desingh氏らは2026年11月6日(現地時間)、タスク認識型把持選択のフレームワーク「Grasp-TAGS」に関する研究論文をarXiv cs.ROにて発表した。本フレームワークは、サービスロボットや倉庫自動化におけるモバイルマニピュレーターによる大規模オブジェクト再配置の課題解決を目指す。異なる初期把持がその後の操作性能に大きく影響するという既存手法の課題に対し、下流の操作性能を考慮した把持を事前に選択する。
Grasp-TAGSは、長期間にわたる移動操作を必要とするモバイルマニピュレーターが、移動と操作を協調させる大規模オブジェクト再配置の主要な能力向上に貢献する。既存の手法は、正確な動的モデルを要求するモデルベースの手法か、固定または事前定義された初期把持を前提とする学習ベースの手法が主流であった。しかし、幾何学的に安定した把持であっても、その選択が下流の操作性能に大きな違いをもたらすことが課題とされていた。
Grasp-TAGSは、目標条件付き大規模オブジェクト再配置のためのタスク認識型把持選択フレームワークとして提案された。このシステムは、複数の初期把持構成にわたるPPOベースの強化学習ポリシーを訓練し、学習されたクリティックを軽量な把持ユーティリティネットワークに蒸留する。このネットワークは、候補把持構成と目標情報のみを用いて候補把持をランク付けする機能を持ち、推論時には、接触を行う前に下流ポリシーがタスクを完了するための、予測される下流ユーティリティが最も高い把持を選択する。
実験の結果、Grasp-TAGSは、固定された単一把持ポリシーやランダム把持選択と比較して、再配置の成功率を向上させた。Grasp-TAGSの平均成功率は89.84%であり、最高の単一把持ポリシーの79.87%と比較して9.97パーセンテージポイントの改善を示した。また、評価された全てのオブジェクトにおいて、最終的な姿勢エラーを削減した。
参考: arXiv cs.RO (アーカイブ) — 2026年11月7日 03:44 (JST)
原文ハイライト"different geometrically stable grasps can lead to substantially different downstream manipulation performance"