逆運動学（IK）はロボット工学の基本的な問題であり、目標とするエンドエフェクタの姿勢を満たす関節配置を生成することを目的とする。既存の手法は、多様なロボット形態への汎化や、複数の運動学分岐を持つ関節型システムにおけるIKの多峰性の効果的なモデル化にしばしば苦労している。
Helong Huangら5名の著者による論文「Whole-Body Inverse Kinematics with Graph Diffusion」は、この課題に対してGraphDiff-IKと呼ばれる構造認識型グラフ拡散フレームワークを提案している。この手法の中心的なアイデアは、ロボットのURDFファイルから運動学グラフを構築することである。グラフのノードは各駆動関節に対応し、エッジは関節間の運動学的依存関係を表す。このグラフ表現により、異なるロボット形態を統一的な計算フレームワークに組み込むことが可能になる。
この表現に基づき、研究者らはIKを条件付きグラフ拡散プロセスとして定式化し、ロボットグラフ上で直接関節配置を生成する。拡散モデルは多峰性分布の扱いに優れているため、冗長なロボットシステムに対して単一解だけでなく複数の実行可能解を生成できる。これは、特定の初期化や事前分布に依存することが多い従来の最適化手法とは対照的である。
複数の運動学分岐を持つ関節型ロボット、例えば胴体や腰部を備えた双腕システムに対処するため、著者らは構造認識型のグラフ推論フレームワークをさらに設計した。このフレームワークは、階層的な段階的メッセージパッシング機構を採用し、胴体認識の条件情報を導入することで、異なる分岐間の構造的依存関係を捉えることを可能にする。
さらに、ノイズ除去プロセス中の幾何学的整合性を維持するため、ノイズを含む順運動学フィードバックとタスク空間監督が組み込まれている。これは、拡散プロセスがグラフ構造だけでなく、現在の関節配置から計算されるエンドエフェクタ姿勢も参照し、生成結果が目標姿勢をより正確に満たすように導くことを意味する。
論文では、このフレームワークが単腕ロボット、双腕システム、胴体や腰部構造を持つ関節型ロボットを自然にサポートする統一的な定式化を提供することが強調されている。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、GraphDiff-IKが冗長システムに対して複数の実行可能解を生成する能力を維持しつつ、正確で安定したIK性能を達成することが示されている。
本論文は2026年5月23日に提出され、ロボティクス（cs.RO）に分類され、論文番号はarXiv:2606.00086v1である。