研究内容
タスク実行と衝突回避を両立するロボットの自律制御
本研究では，未監視環境下でもロボットが安全にタスクを遂行できる自律制御手法の実現を目指しています．予測困難な環境での自律運用には，目的作業の達成だけでなく，自己衝突や周囲の物体との接触を事前に回避する能力が必要です．そこで本研究では，自己対戦型強化学習を用いて，タスク実行能力と衝突回避能力を同時に向上させます．さらに，視覚情報とモータの固有感覚情報を単一モデルに蒸留することで，高度な空間認識を実現します．このモデルは，ロボット自身や未知物体との衝突リスクをリアルタイムに予測し，危険な動作を回避します．これにより，ロボットの破損や周囲への被害を最小限に抑え，災害リスクの少ない信頼性の高い自律運用を可能にします．
ロボットアームの押し動作による物体把持の効率化
本研究テーマは、視覚的プロンプトを用いたロボットアームによる統合的な「押し（Pushing）」動作の実現です。人間は机を片付ける際、物体を目的の位置へ移動させるだけでなく、複数箇所に散らばった物を一箇所に集めたり（Grouping）、密集した山から一つだけを切り離したり（Singulation）と、多様な押し動作を使い分けています。本研究では、これら３つの異なるスキルを単一のポリシーとして統合する生成モデル（Flow Matching）ベースの手法を構築します。大規模視覚言語モデル（VLM）を利用して画像上の点（視覚的プロンプト）で指示を与えることで、複雑な現実環境においても、ロボットが視覚情報から状況を理解し、人間のように柔軟で高度な物体操作を行える自律システムの構築を目指します。