日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2507.11170

未知の不確かさを持つロボットマニピュレータのためのガウス過程に基づくロバスト制御

A Robust Controller based on Gaussian Processes for Robotic Manipulators with Unknown Uncertainty

シェア:XThreadsFacebookLINEはてブBluesky

ガウス過程回帰でモデル誤差を推定し、その分散に基づくロバスト項を加えたフィードバック線形化制御を提案。2自由度平面ロボットで漸近的な軌道追従を数値的に検証した。

詳しい要約

1. どんなもの?

- Lagrangian系のロボットマニピュレータを対象に、精密な軌道追従を実現する学習ベースの robust feedback linearization 戦略を提案した研究。 - 動力学の nominal な知識はあるが、モデル誤差の事前上界が不明という設定を扱う。 - Gaussian Processes (GPR) でモデル誤差を推定し、それを外側ループに組み込む。 - 残差不確かさは GPR の分散に基づく追加項で補償する。

2. 先行研究と比べてどこがすごい?

- 従来の robust control はモデル誤差の上界を事前に仮定する必要があるが、本手法はその仮定を不要にする。 - 古典的 feedback linearization に GPR ベースの誤差推定を組み合わせる点が新規。 - GPR の分散を利用して robust 項の大きさを設計する点が特徴的。 - 具体的な先行研究との比較は要旨からは不明。

3. 技術・手法の肝は?

- nominal 動力学に基づく classical feedback linearization を基本構造とする。 - 外側ループに GPR によるモデル誤差推定を付加する。 - 残差不確かさに対し、GPR の variance に基づいてサイズを決める追加 robust 項を加える。 - これにより高確率で漸近追従を保証する理論的枠組みを構成する。

4. どうやって有効だと検証した?

- 2 degrees of freedom planar robot を用いた数値実験で検証。 - 理論面では、提案手法が高確率で漸近追従を保証することを証明。 - 実機実験や他のシステムでの検証は要旨からは不明。

5. 議論はある?

- モデル誤差の事前上界が不要という利点がある一方、GPR の計算コストやスケーラビリティへの言及は要旨からは不明。 - 高確率保証の具体的な確率評価や仮定の詳細は要旨からは不明。 - 実環境での外乱やノイズに対する頑健性の議論は要旨からは不明。

6. 次に読むべき論文は?

- Gaussian Processes for Machine Learning (Rasmussen & Williams) など GPR の基礎文献。 - feedback linearization を用いた robust control の古典的文献。 - learning-based control における GP を用いたモデル誤差補償の関連研究。 - 要旨で直接参照されている個別論文は不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Giulio Giacomuzzo, Mohamed Abdelwahab, Marco Calì, Alberto Dalla Libera, Ruggero Carli

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

In this paper, we propose a novel learning-based robust feedback linearization strategy to ensure precise trajectory tracking for an important family of Lagrangian systems. We assume a nominal knowledge of the dynamics is given but no a-priori bounds on the model mismatch are available. In our approach, the key ingredient is the adoption of a regression framework based on Gaussian Processes (GPR) to estimate the model mismatch. This estimate is added to the outer loop of a classical feedback linearization scheme based on the nominal knowledge available. Then, to compensate for the residual uncertainty, we robustify the controller including an additional term whose size is designed based on the variance provided by the GPR framework. We proved that, with high probability, the proposed scheme is able to guarantee asymptotic tracking of a desired trajectory. We tested numerically our strategy on a 2 degrees of freedom planar robot.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI