FARO: 実行可能性を考慮したロボット動作最適化
本論文は、未知のシナリオにおけるヒューマノイドロコマニピュレーションの新しい動作を迅速に計画するためのフレームワークFAROを提案する。ネスト化されたキノダイナミックな実行可能性チェック、LLMベースの接触計画サンプリング、強化学習コントローラを統合し、探索効率を向上させ、実世界で実行可能な高品質な軌道を生成する。
ロボット工学において、未知のシナリオで新しい行動を迅速に計画することは依然として基本的な課題である。ヒューマノイドのロコマニピュレーション（移動と操作の統合）は、その高次元、ハイブリッド、そして劣駆動の性質から、この目標の達成を妨げている。最近、arXivに提出された論文（arXiv:2607.18362）では、この課題に取り組むため、FARO（Feasibility-Aware Robot Motion Optimization）フレームワークが提案されている。本論文はMichal Ciebielskiらによって執筆され、2026年7月20日に提出された。
FAROの中核は、ネスト化されたキノダイナミック（kino-dynamic）フレームワークであり、与えられた接触シーケンスに対して迅速な実行可能性チェックと動的に整合性のある軌道生成を行う。このモジュールを、実行可能性に基づくツリー探索と大規模言語モデル（LLM）を用いた接触計画サンプリング戦略と統合することで、探索プロセスが大幅に改善されることが示されている。実験結果は、この統合アプローチが探索の質を顕著に向上させることを実証している。
さらに、生成された軌道は強化学習（RL）ベースのコントローラで追跡可能であり、実際のロコマニピュレーションシナリオでの実行に十分な品質であることが実証された。この成果は、複雑な環境におけるヒューマノイドロボットの柔軟な動作計画に新たな可能性を開き、人型ロボットの実用化に向けた重要な一歩となる。補足ビデオはYouTubeで公開されている（リンク：https://youtu.be/R6qCHoCormQ）。