ロボットマニピュレーションの分野では、組み立てや挿入などの接触を多用するタスクは、高精度な力フィードバックと制御が要求されるため、依然として大きな課題です。既存の模倣学習手法はロボットが物理環境と自律的に相互作用することを可能にしますが、複雑な接触ダイナミクスへの対応には限界があります。この問題に取り組むため、2026年5月に発表された論文「ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching」において、複数の研究機関の研究者らはフローマッチングに基づく力覚対応のリアクティブフレームワーク「ForceFlow」を提案しました。
ForceFlowの中心的な革新は2つあります。第一に、接触段階のポリシー設計において、力信号の融合機構を研究し、非対称なマルチモーダル融合アーキテクチャを採用しました。このアーキテクチャは、力を単なる追加のセンシング入力としてではなく、グローバルな調整信号として扱います。さらに、関節予測パラダイムにより、ポリシーは瞬時の力情報と履歴情報の両方を同時に理解し、力と運動の深い結合を実現します。第二に、タスクレベルでの階層的分解です。操作を視覚主体のアプローチ段階（VLMベースのポインティングによる目標位置特定）と触覚主体のインタラクション段階（力駆動の接触実行）に分割し、その間にVision-to-Force（V2F）ハンドオーバー機構を導入することで、空間汎化と接触制御を明示的に分離します。これにより、ロボットはさまざまな物体や環境でロバストに動作できるようになります。
実験は6つの実世界の接触豊富なタスクで行われ、強力なベースラインForceVLAと比較して成功率が37%向上し、コストも大幅に削減されました。また、力信号の正確な予測、接触力の自己調整、およびゼロショットの分布外（OOD）汎化において優れた性能を示しました。具体的には、未経験の物体や環境条件下でも高い成功率を維持し、その汎化能力の高さが確認されました。この研究は、接触豊富な環境でのロボット操作をより堅牢かつ経済的にする重要な一歩であり、今後の応用が期待されます。