グラフ拡散による全身逆運動学

逆運動学（IK）はロボット工学の基本問題であり、目標とするエンドエフェクタの姿勢を満たす関節構成の生成を必要とする。既存手法は多様なロボット形態への一般化や、特に複数の運動学分岐を持つ関節システムにおけるIKの多モーダル性のモデル化に苦慮している。本研究では、構造認識型グラフ拡散フレームワーク「GraphDiff-IK」を提案する。

GraphDiff-IKでは、ロボットをURDFから構築した運動学グラフとして表現し、ノードは駆動関節、エッジは運動学的依存関係をエンコードする。この表現に基づき、IKを条件付きグラフ拡散過程として定式化し、ロボットグラフ上で直接関節構成を生成する。関節システムの構造的依存関係をより適切に捉えるため、階層的段階的メッセージパッシングと多分岐ロボット向け胴体認識条件付けを備えた構造認識グラフ推論フレームワークを導入する。さらに、ノイズを含む順運動学フィードバックとタスク空間監視を組み込み、デノイジング中の幾何学的整合性を改善する。

提案フレームワークは統一的な定式化を提供し、単腕ロボット、両腕システム、胴体や腰部構造を持つ関節ロボットを自然にサポートする。多様なロボットプラットフォームでの広範な実験により、本手法は正確で安定したIK性能を達成し、冗長ロボットシステムに対して複数の実行可能解を生成する能力を保持することが示された。この研究は、複雑なロボット形態に対する逆運動学問題に新たな解決策を提供し、ロボット操作や全身動作計画などの応用に貢献することが期待される。

本研究はHelong HuangらによってarXivに投稿され、論文番号2606.00086として2026年5月23日に公開された。この研究はロボティクス（cs.RO）分野に属し、コードやデータは今後公開される予定である。GraphDiff-IKは、グラフ拡散モデルを逆運動学に導入することで、多分岐ロボットのIK問題に対する構造認識アプローチの可能性を示し、今後の研究に新たな方向性を提供する。