Calf-Integrated Arms for Bimanual Quadruped Loco-Manipulation

技術要約：二腕による四足歩行型移動・操作のためのふくらはぎ一体型アーム

問題提起
現在の四足歩行型の移動・操作（loco-manipulation）設計は、操作能力と立脚安定性の間の根本的なトレードオフに直面している。胴体に取り付けられたアームは高い位置まで届くが、地面レベルの把握が困難であり、通常は単一のマニピュレータに限定される。脚をマニピュレータとして利用する場合、足を地面から浮かせる必要があり、支持多角性が損なわれるか、あるいはLocoManのデザインのように後肢で立ち上がる必要があり、その場合ベース（本体）を固定してしまわざるを得ない。その結果、既存のデザインでは、ベースを自由に歩行可能な状態に保ちつつ、四足での安定した立脚姿勢を維持しながら、二腕による地面レベルの操作を行うことができるものは存在しない。さらに、既存のシステムは、視覚および状態フィードバックに基づいて長期間のタスクを自律的にシーケンス化できる高レベルプランナーを欠いていることが多い。

手法
著者らは、Unitree Go2四足歩行ロボットの前脚のふくらはぎ部分に直接マニピュレータを組み込んだ、形態学的設計および制御フレームワークを提案している。

• 機械設計: 各前脚は、7自由度（DoF）のシステムを含むように改造されている。元の3つの脚関節は移動用に保持され、4つの新しい関節がマニピュレータを構成する：

  • $q_1$（プリズム・スライダー）: 再構築されたふくらはぎ内部に収められた0.105 mのストローク・スライダー。非逆駆動型のステッピングモーターによって駆動され、物体を地面から持ち上げる。
  • $q_2$（ピッチ）: 精密な接近制御のための回転関節。
  • $q_3$（ヨー）: 垂直軸を中心に回転する回転関節。左右のアームのワークスペースを重複させることで、両腕を胴体の中心線へと掃引する。
  • $q_4$（グリッパー）: 4 cmの開口幅を持つ平行ジョー・グリッパー。
    この構成により、ロボットは4本の足すべてを接地させたまま、両腕を用いて地面レベルの物体を把握することが可能となる。

• 制御アーキテクチャ: システムは二層の制御アーキテクチャを採用している：

  • 高レベルプランナー: クラウドAPI経由でアクセスされる視覚言語モデル（VLM）であるKimi K2.6が、定義済みのスキルライブラリ（$S$）から離散的なスキルを選択する。プランナーは、頭部搭載のRGB-Dカメラ画像と構造化されたワールドステート（タスク進行フラグの追跡）に基づいて選択を条件付ける。VLMへのクエリは、すべての制御ステップごとではなく、スキルの境界においてのみ行われる。
  • 低レベル実行: 選択されたスキルは有限状態機械（FSM）を介して実行される。FSMは、12個の脚関節のための学習済み移動ポリシー（Isaac LabにおけるProximal Policy Optimizationを用いて学習）と、アーム関節（$q_1$–$q_3$）のための3-DoF Damped Least-Squares（DLS）逆運動学（IK）ソルバーを調整する。グリッパー（$q_4$）は直接コマンド入力される。
  • 知覚: 把持は、物体の赤いマーカーを検出することに依存する。深度に基づく逆投影アルゴリズムが3D把持点を特定し、画像の境界付近での部分的な検出を排除する。

主な貢献
本論文は主に2つの貢献を行っている：

1. 統合ハードウェア: 四足歩行ロボットの前脚のふくらはぎに統合されたマニピュレータの設計。これにより、四足の立脚姿勢を維持しながら、二腕による地面レベルの把持が可能になる。これは、立ち上がり型デザインと比較して二腕のワークスペースは小さくなるものの、安定性と歩行可能なベースを実現するトレードオフとなっている。
2. 自律プランニング: 視覚入力とタスクの状態に基づいて、定義済みのライブラリからスキルをシーケンス化するためにVLMを統合したこと。これはシミュレーションにおける長期間の二腕タスクにおいて実証されている。

結果
設計は、3つの二腕タスク（Isaac Labでの学習、MuJoCoでの評価）にわたって完全にシミュレーション内で評価された：

1. 長期間キャビネットタスク: ロボットは片腕でバスケットを運び、もう一方の手でキャビネットのドアを開け、バスケットを中に置いた。VLMは視覚フィードバックに基づき、スキルシーケンス（把握、歩行、開ける、置く）を自律的に選択した。
2. 協調的な両手持ちリフト: 両腕で箱の側面ハンドルを同時に把握し、ヨー関節によるワークスペースの重複を利用して同時に持ち上げた。
3. 腕間のハンドオーバー: 左腕が、物体を地面に置くことなく、胴体の中心線で右腕へと受け渡した。

キャビネットタスクにおいて、ロボットは18.6秒の動作時間でシーケンスを完了した。システムは深度センサーのノイズに対して堅牢性を示し、最大10 mmの標準偏差ノイズに対して70〜74%の把持成功率を維持した。VLMのクエリはタスク全体を通じてわずか4回であり、レイテンシが発生している間、ロボットは安定した姿勢を保持していた。

意義と限界
本論文は、移動の安定性を損なったり、ベースを固定したりすることなく、複雑な二腕による地面レベルの操作が可能な四足歩行ロボットを実証した点に意義があると主張している。ハードウェア設計により、プランナーが四足すべてを接地させた状態で長期間のタスクを実行できることが強調されている。

著者らは以下の限界を明示的に述べている：

• 運動学的制約: アームにはロール関節がないため、アプローチ軸の周りにグリッパーを回転させることができず、特定のハンドル方向を持つ物体（例：ケトル）の把持が制限される。
• スキルライブラリの範囲: VLMは定義済みのスキルからのみ選択可能であり、新しい行動や状態を生成することはできない。新しい箇所での再把持、手内回転、または動的な障害物回避を必要とするタスクは、現在実行不可能である。
• 知覚への依存: システムは把持点のためのフィデューシャルマーカーに依存している。学習済み検出器（YOLO-World, SAM）は、複雑な物体に対して正確な把持座標を提供することに現在失敗しており、将来の研究として専用の把持合成ネットワークが必要である。
• シミュレーションのみ: すべての結果はシミュレーションによるものである。著者らは、シム・トゥ・リアル（sim-to-real）転送をテストするための物理プロトタイプの製作が、直近の次のステップであると述べている。

著者らが示唆する今後の課題には、物理プロトタイプの開発、マーカーに代わる把持合成ネットワークの開発、およびプリズム・スライダーを脚の延長（脚高調整）や物体を胴体へ持ち上げるための用途として使用するなどの二次的な活用法の探索が含まれる。