テクニカルサマリー：ModPack – 二腕式移動操作のための拡張可能なテレオペレーション・インターフェース

問題提起

既存のロボット・テレオペレーション・システムは、特定のハードウェア構成やタスク領域に特化していることが多く、設計空間が断片化されている。このような専門化は、スケーラビリティと適応性を制限する。例えば、新しい能力（能動的知覚や移動ベースの制御など）を追加する場合、ハードウェアとソフトウェアの両方のパイプラインに対して大幅な再設計が必要となる。さらに、システムの単純さと機能的な能力の間には本質的なトレードオフが存在する。高度な能力を持つシステムは単純なタスクに対して冗長なオーバーヘッドを導入しやすく、一方で単純なシステムは複雑で長期的なタスクに必要な忠実度が不足している。著者らは、多様なプラットフォーム間での柔軟なデータ収集と方策学習を促進するために、コアとなるシステム・インフラストラクチャをタスクやロボット固有の機能から切り離す、統一されたモジュール式フレームワークの必要性を指摘している。

手法

著者らは、自己完結型のウェアラブルな「バックパック」ユニットを中心とした、モジュール式で拡張可能なテレオペレーション・システムであるModPackを提案する。このユニットは、オンボード計算、電力配分、データストレージ、および通信を統合しており、プラグアンドプレイ可能な機能モジュールのための共通基盤として機能する。

コア・アーキテクチャ

• ハードウェア: バックパックは3Dプリント部品で製作されており、トグルラッチによって固定された前面および背面パネルを備えている。内部には、オンボード計算用（ミニPC）、パワーバンク、およびアクセサリ用の取り外し可能なシェルフが収容されている。設計は人間工学の原則に従い、負担を軽減するために重量を胸部付近の垂直方向に分散させている。
• ソフトウェア: 軽量な双方向「ブリッジ」APIが、メッセージキュー・サーバーを使用してバックパックと対象ロボット間の通信を抽象化する。これにより、コア・スタックとエンボディメント（形態）固有の実装がデカップリング（分離）され、同一のシステムで異なるロボットやモジュールのサブセットをサポートすることが可能になる。

拡張可能なモジュール

本システムは、主に以下の3つのプラグアンドプレイ・モジュールをサポートしている。

1. リーダーアーム（関節レベルの制御）:

   • システムは、追従ロボットのアームと運動学的に等価な、3Dプリントされたリーダーアーム（6自由度または7自由度のバリアント）を利用し、直接的な関節空間のテレオペレーションを可能にする。
   • 重力補償: オペレーターの疲労を軽減するため、システムはOrocos KDLライブラリを用いて重力トルクベクトル（$\tau_g$）を計算し、リーダーモーターに適用する。これは関節空間のダンピングによって増強され、安定性のためにカスケード指数移動平均（EMA）フィルタによってフィルタリングされる。
   • 触覚フィードバック: 力/トルク（F/T）センサを備えたロボット（例：RB-Y1m）の場合、システムはエンドエフェクタのレンチをヤコビアンの転置を用いて関節トルクにマッピングする。このフィードバックは、重力補償トルクに重畳される。電流予算戦略により、透明性（transparency）を維持しながら、モーターの安全性と寿命を確保する。

2. 移動ベース制御:

   • バックパックに装着されたiPhoneが、修正されたWebXRセッションを介してオペレーターのSE(2)ポーズを追跡する。
   • システムは、オペレーターの身体運動をバックパック搭載センサーから分離するエゴセントリック・マッピング手順を実装している。オペレーターの真の回転中心を復元するために逐次的なオフセットを適用することで、ロボットのベース移動が、ローカルフレーム内におけるオペレーターの変位に対応するようにしている。

3. 能動的知覚:

   • Apple Vision Proが、オペレーターの頭部ポーズをロボットのネックコマンドとしてストリーミングする。
   • デカップリング: ナビゲーションと知覚を同時に行う際の冗長なコマンドを防ぐため、システムは現在の移動ベースのポーズ（$T_{base}$）を補償する。目標とする頭部ポーズは、ローカルなロボットベースフレーム内で表現される（$T_{neck} = T_{base}^{-1}T_{target}$）。これにより、オペレーターが意図した残差的なネック動作のみを抽出する。

方策学習

著者らは、ModPackを用いて収集されたデモンストレーションを使用して、TransformerベースのDiffusion Policyモデルを訓練している。入力には、ヘッドカメラおよびリストカメラからのRGB-DおよびRGB観測、およびオプションとして関節トルクデータが含まれる。視覚的特徴はCLIPプリトレーニング済みのViTを使用してエンコードされ、トルクデータは逐次的なCausalConvレイヤーを介して処理される。

実験結果

著者らは、ModPackを2つの異なるロボットプラットフォーム（ARX5アームを備えたカスタマイズされた移動ロボット、およびRB-Y1mロボット）で評価した。

タスク1：能動的知覚を用いた布の配置

• セットアップ: ロボットが布を掴み、左右どちらかのバスケットに向かって移動する。
• 知見: ヘッドカメラのみを使用した方策が最も高い成功率（25試行中22回）を達成し、リストカメラのみ（3/25）や全カメラ使用（20/25）を上回った。著者らは、ヘッドカメラがバスケットのローカリゼーションに必要な広範なエゴセントリックな視界と深度コンテキストを提供している一方で、リストカメラは布の変形やポーズの変化による分布外（out-of-distribution）の観測に苦しんでいるためであると仮定している。

タスク2：触覚フィードバックを用いたボックス転送

• セットアップ: ロボットがキャビネットから箱を持ち上げ、空いている棚（上段または下段）に置く。
• 知見: 全カメラの視覚情報と関節トルク情報の両方に条件付けられた方策（"All Cam + Torque"）が、ヘッドカメラのみの方策（12/20）や視覚のみの方策（11/20 および 6/20）と比較して、最も高い成功率（12/20）を達成した。
• 分析: アテンションの可視化により、トルク条件付きの方策はタスクに関連する領域（例：箱の端）に強く注意を向け、接触がクリティカルなフェーズにおいてトルクトークンへの依存度が高まることが示された。著者らは、投影された関節トルクが、把持のタイミングや深さに関する粗いアライメント信号を提供し、視覚のみの方策でよく見られる不適切な把持ポーズを緩和していると示唆している。

主な貢献

1. ModPackシステム: 関節レベルの制御、移動ベースのトラッキング、および能動的知覚のためのプラグアンドプレイ・モジュールをサポートする、ウェアラブルなバックパックを中心とした、統一された拡張可能なテレオペレーション・インターフェース。
2. デカップリングされた制御アーキテクチャ: オペレーターの動きを、アーム操作、ベース移動、および能動的知覚の各コンポーネントのコマンドへと分離する手法。これにより、同時制御における曖昧さを解消する。
3. 高忠実度ウェアラブル触覚: 重力補償を備えた電動リーダーアームを用いた、関節レベルの触覚フィードバックのウェアラブルな実装。これは、フィードバックの忠実度と携帯性のバランスを実現している。
4. オープンソース・フレームワーク: 著者らは、将来の研究を支援するために、ハードウェア設計、ソフトウェア・スタック、および方策学習フレームワークの完全な公開を約束している。

意義と主張

本論文は、ModPackが柔軟で再利用可能なフレームワークを提供することで、システムの単純さと機能的能力の間のトレードオフに対処することを主張している。2つの異なるロボットプラットフォームを用いた、実際の二腕式移動操作タスクにおける展開の成功を通じて、著者らはModPackを実用的なインターフェースとして検証している。本システムは、触覚フィードバックや能動的知覚のようなマルチモーダルな入力を組み込む際に、堅牢な方策の学習をサポートする高品質なデモンストレーションの収集を可能にする。著者らは、ModPackを、硬直化したタスク固有のテレオペレーション設計によって生じるスケーラビリティのボトルネックに対する解決策として位置づけ、タスクやロボットのエンボディメントを超えて汎用化可能な、統一された制御システムへの道筋を提示している。