変形物体の操作（衣服の取り扱いなど）は、自由度が高く、非剛性で複雑な接触相互作用を伴うため、ロボット工学における長年の課題である。今回、IEEE/ASME Transactions on Mechatronicsに掲載された論文「Phase-Conditioned Imitation Learning with Autonomous Failure Recovery for Robust Deformable Object Manipulation」では、位相条件付き模倣学習と自律障害回復を組み合わせた新しいフレームワークを提案し、こうしたタスクにおけるロバスト性を大幅に向上させている。
著者らは、Action Chunking with Transformers（ACT）のような標準的な模倣学習手法が推論時にマルコフ性仮定に依存している点を指摘する。この仮定により、視覚的に類似した観測が矛盾する行動を必要とする場合に状態のエイリアシングが発生し、システムは実行障害から自律的に回復できなくなる。この問題を解決するため、研究チームは閉ループ階層アーキテクチャを設計した。
中核となるのは、FiLM（Feature-wise Linear Modulation）条件付きACTエンコーダである。FiLMは現在のタスク位相に基づいて特徴抽出を動的に調整し、単一の統一ポリシーが位相固有の行動を生成できるようにする。さらに、マルチモーダル位相予測器が視覚、力センサ、姿勢フィードバックを統合し、リアルタイムで位相を推定する。これにより、視覚だけでは見えない接触障害（例えば衣服の引っ掛かりや滑り）を検出し、自動的に回復軌道を生成する。
システムは、コンプライアント実行のためのハイブリッドインピーダンスコントローラと、力覚データ収集のための触覚テレオペレーションインターフェースによって完成される。アブレーション研究では、FiLMベースの変調が無条件ベースラインやトークンレベル条件ベースラインを大幅に上回ることが示された。t-SNE分析により、FiLMが位相固有の特徴表現を明確に分離していることも確認された。
両腕プラットフォームによるTシャツの吊り下げおよび取り外し実験では、閉ループシステムが自律的なエラー回復により吊り下げ成功率を56%から87%に向上させた。この研究は、変形物体操作の実用的なソリューションを提供するだけでなく、模倣学習戦略のロバスト性設計に新たな道を開くものである。論文のコードとデモ動画は公開されている。