M3-Tele: A Unified Multimodal Teleoperational Framework for Compliant Whole-Body Mobile Manipulation

家の中を動き回り、物を持ち上げることができるロボットは、長らくサイエンス・フィクションの夢でしたが、その夢を現実にするには、困難な物理的パズルを解かなければなりません。真に有用であるためには、ロボットは二つのことを同時に行う必要があります。すなわち、散らかった部屋を通り抜け、かつ、物を壊さずに優しく操作することです。これには、自身の体を動かすことと、触れている世界を感じることとの間の、繊細なバランスが求められます。もしロボットが押しすぎてしまえば、花瓶を倒してしまうかもしれません。もし動きが硬すぎれば、引き出しを開けたり、表面を拭いたりすることができません。人間がロボットにこれらのスキルを教える際、人間は自然に感じられるレベルの感度でロボットを導くことができなければならず、一方でロボットは、自身のセンサーの声を聞き、グリップ力や圧力をリアルタイムで調整できなければなりません。この「感じ、適応する」能力がなければ、ロボットを教えるために収集されるデータはしばしば不器用で一貫性に欠けるものとなり、後に機械が複雑なタスクを学習することを困難にします。

深セン科技大学の研究者たちは、この問題を解決するために、「M3-Tele」と呼ばれる新しいシステムを開発しました。彼らは、スマートフォンを使用して移動式ロボットアームを制御できるフレームワークを構築しましたが、そこには決定的なひねりが加えられています。このシステムは、ロボットと世界の間の接触を感じるように設計されているのです。ロボットには、指の柔らかいパッドが物体に触れた際にどれくらい潰れるかを感知する特殊なセンサーと、手首にかかる力を測定するセンサーが備わっています。人間のオペレーターがホワイトボードを拭いたり引き出しを開けたりするためにロボットを誘導するとき、システムは単に手の経路を盲目的に追従するだけではありません。代わりに、圧力とグリッパーの潰れ具合を常にチェックし、接触が穏やかで安定したものになるよう、ロボットの動きを自動的に調整します。これにより、ロボットが硬直した機械ではなく、柔軟なパートナーのように振る舞う、スムーズで応答性の高い体験が生まれます。

チームはこのシステムを、単純なものから難しいものまで、4つの異なるタスクでテストしました。彼らはボランティアの人々に、ブロックを持ち上げる、棒を回転させる、引き出しを引く、ホワイトボードを拭くという作業にシステムを使用してもらいました。結果として、新しいシステムは、グリップを失ったり過度な力を加えたりすることなく、ロボットを物体に接触させ続けることに著しく優れていることが示されました。研究者が、これらの力感知による調整を行わない古い手法と自分たちのシステムを比較したとき、その差は歴然でした。新しいコントローラーは、目標とする力からの誤差を4ニュートン以上から0.35ニュートン未満へと減少させました。実用的な観点から言えば、これはロボットが表面に対して非常に高い精度で一定の圧力を維持できることを意味します。さらに、このシステムはロボットが誤って物体との接触を失うことを防ぎ、グリップが滑る回数を、1回の試行あたりほぼ2.5回からほぼゼロへと減少させました。

また、研究ではこのシステムの使いやすさについても調査が行われました。研究者たちは、オペレーターにロボットの「触覚」に関するフィードバックを与えることが、タスクをより直感的であると感じさせることを発見しました。ユーザーは、新しいフィードバック機能を備えたインターフェースの使用しやすさを、標準的な制御方法よりも有意に高く評価しており、基本バージョンが5.8であったのに対し、約8.4（10点満点）というスコアを付けました。これは、人間がコントローラーを通じてロボットが感じていることを「感じる」ことができるとき、より効果的にロボットを導けることを示唆しています。システムはすべての異なるタスクにおいて良好に機能し、困難な拭き取りタスクを80％、より単純なタスクを最大94％の割合で成功させました。この信頼性は不可欠です。なぜなら、これはロボットが、学習に使用できるほど一貫した高品質なデモンストレーションを収集できることを意味するからです。

最後に、研究者たちは収集されたデータを用いて、「拡散ポリシー（diffusion policy）」として知られる学習手法を用い、ロボットに自律的にホワイトボードを拭く方法を教えました。彼らは、ロボットがすべての感覚情報（カメラの映像、力の測定値、および触覚の潰れデータ）にアクセスできる場合と、カメラの映像だけで済ませる場合で、学習がより効果的になるかどうかをテストしました。実験の結果、ロボットは3種類の情報を組み合わせたときに、最も効果的な拭き取り動作を学習することが示されました。たとえアルゴリズムに与えられるデータが少量であっても、触覚と力のセンサーを組み合わせることで、ロボットは視覚のみの場合よりもタスクをより良く理解できました。このことは、ロボットが物理的な接触を伴うタスクを習得するためには、単に何を見ているかだけでなく、世界をどのように感じているかを捉えたデータを用いて教える必要があることを裏付けています。この研究は、制御システムにこれらの感覚を統合することで、私たちの家の中を動き回るだけでなく、家の中にある物体に対して優しく精密に相互作用できるロボットを構築できることを示しています。