条件付きサイクルGANによるソフトロボットアームのドメイン変換

- 軟体ロボットアームのダイナミクスを深層学習でモデル化する研究 - 物理特性が異なるドメイン間で学習済み知識を移す domain translation framework を提案 - conditional cycle generative adversarial network (CCGAN) をベースに、source domain から target domain への知識転移を狙う - 具体的には標準 simulation 環境で訓練した pose controller を、粘度が tenfold 増加したドメインへ適応させる

- 従来の解析的アプローチは構造・材料特性・物理特性の正確な知識を要し、軟体ロボットでは抽出が困難 - 深層学習は dynamics モデリングに有効だが、あるドメインで学習した mapping は物理特性の異なる別ドメインへ直接転移できない - 軟体ロボットは材料が経時劣化するため、この転移問題が特に重要 - 提案手法は CCGAN による domain translation で source から target への知識転移を可能にする点が特徴(要旨からは不明な詳細あり)

- conditional cycle generative adversarial network (CCGAN) に基づく domain translation framework - 入力 pressure signals を、対応する end-effector positions and orientations で条件付けして学習 - source domain と target domain の両方で条件付き学習を行う - dynamic learning approach により、標準 simulation で訓練した pose controller を tenfold 粘度のドメインへ適応 - 評価では CCGAN-GP という表記も用いられている

- 5 つの異なる形状での trajectory-tracking 実験を実施 - noise perturbations に対する robustness を評価 - periodicity tests を実施 - 結果として CCGAN-GP が cross-domain skill transfer を効果的に促進することを示した

- 結果は CCGAN-GP が cross-domain skill transfer を促進し、より適応的・汎用的な soft robotic controllers への道を開くことを示唆 - 材料劣化など物理特性変化への対応という軟体ロボット特有の課題に資する可能性 - 具体的な限界・失敗事例・計算コストなどの議論は要旨からは不明

- conditional cycle generative adversarial network (CCGAN) および CCGAN-GP の原論文 - CycleGAN など cycle-consistency を用いる domain translation の関連研究 - soft robot の dynamics modeling に関する深層学習研究 - sim-to-real transfer や domain adaptation の一般的関連手法