腱駆動連続体ロボットのための学習ベース動力学モデリングとロバスト制御

本論文は、Tendon-Driven Continuum Robots (TDCRs) のための学習ベースの動力学モデリングとロバスト制御フレームワークを提案する。 - 微分可能な学習フレームワークを構築し、高忠実度の動力学モデルとロバストなニューラル制御を統合。 - GRUベースの動力学モデルを開発し、双方向マルチチャネル接続と残差予測を特徴とする。 - このモデルを勾配ブリッジとして扱い、バックプロパゲーションを通じてエンドツーエンドのニューラル制御ポリシーを最適化。 - 物理的な3セクションTDCRでの実験検証を実施。

従来のJacobianベースの手法と比較して、以下の点で優れている。 - 未知のペイロードに対して高いロバスト性を実現。 - 自励振動を排除し、正確なトラッキングを達成。 - 摩擦ヒステリシスや伝達コンプライアンスなどの複雑な非線形性を暗黙的に補償。 - 長期間の自己回帰予測における誤差蓄積を抑制するGRUベースの動力学モデルを導入。

技術の肝は以下の通り。 - GRUベースの動力学モデル：双方向マルチチャネル接続と残差予測を採用し、長期間の自己回帰予測での誤差蓄積を抑制。 - 微分可能な学習フレームワーク：動力学モデルを勾配ブリッジとして利用し、エンドツーエンドでニューラル制御ポリシーを最適化。 - バックプロパゲーションによる制御ポリシーの最適化：複雑な非線形性の補償を暗黙的に学習。

物理的な3セクションTDCRを用いた実験で検証。 - 正確なトラッキング性能を確認。 - 未知のペイロードに対する優れたロバスト性を実証。 - Jacobianベースの手法と比較し、自励振動を排除することを確認。 - 実装詳細とソースコードはGitHubで公開。

要旨からは不明。

要旨で参照/比較されている研究はJacobianベースの手法のみ。関連手法として、TDCRの動力学モデリングや制御に関する研究、GRUや微分可能な学習を用いたロボット制御の論文が考えられるが、具体的な論文名は要旨からは不明。