低次元FEMサロゲートモデリングによるソフトロボットの汎用タスク駆動設計

本論文は、Soft Robotのタスク駆動型設計のための統一的なReduced-Order FEMベースのSurrogate Modelingパイプラインを提案する。高忠実度FEMシミュレーションでActuatorの挙動をモジュラーレベルで特徴付け、コンパクトなSurrogate Joint Modelを構築し、Pseudo-Rigid Body Model (PRBM)内で評価する。Meta-ModelがActuator設計パラメータをSurrogate表現にマッピングし、パラメータ化されたActuatorファミリー全体で迅速なインスタンス化を可能にする。得られたモデルはPRBMベースのシミュレーション環境に組み込まれ、現実的な物理制約下でのタスクレベルシミュレーションと最適化を支援する。

既存のモデリング手法は物理的忠実度と計算効率の間に根本的なトレードオフがあり、設計やタスクの変化にわたるモデルの再利用が制限され、スケーラブルなタスク駆動型最適化が制約されていた。本論文のパイプラインは、高忠実度FEMと計算効率の両立を図り、Actuator設計とタスクシナリオをまたいで転送可能な統一的なアプローチを提供する点が優れている。

技術の肝は、Reduced-Order FEMベースのSurrogate Modelingパイプラインにある。具体的には、高忠実度FEMシミュレーションでActuator挙動をモジュラーレベルで特徴付け、コンパクトなSurrogate Joint Modelを構築し、Pseudo-Rigid Body Model (PRBM)内で評価する。さらに、Meta-ModelがActuator設計パラメータをSurrogate表現にマッピングし、パラメータ化されたActuatorファミリー全体で迅速なインスタンス化を可能にする。これらのモデルをPRBMベースのシミュレーション環境に埋め込み、タスクレベルシミュレーションと最適化を実現する。

提案パイプラインは、複数のActuatorタイプ（Bellow-type Pneumatic ActuatorとTendon-driven Soft Fingerを含む）にわたるSim-to-Real転送、および2つのタスク駆動型設計研究（Reinforcement Learning (RL)によるSoft Gripper Co-designと、Evolutionary Optimizationによる3D Actuator Shape Matching）を通じて検証された。結果は高い精度、効率、信頼性の高い再利用性を示し、自律的なタスク駆動型Soft Robot設計のためのスケーラブルな基盤を提供する。

要旨からは不明。

要旨で参照/比較されている研究や関連手法は明示されていない。同分野の定番として、Soft Robotの設計最適化に関する研究や、FEMベースのモデリング、Pseudo-Rigid Body Model (PRBM)、Sim-to-Real転送に関する論文が挙げられる。