自己再構成型ロボットボートの安全保証付き分散動作計画

本論文は、水上の自己再構成ロボット群が目標形状を形成・再構成する際に、複数エージェント間の安全な相互作用を保証するハイブリッドフレームワークを提案する。具体的には、分散Model Predictive Control (MPC)とControl Barrier Functions (CBFs)を組み合わせ、所望の形状と目標割り当てが与えられたとき、Alternating Direction Method of Multipliers (ADMM)を用いて分散MPCを解き、局所最適化と情報交換により協調軌道を計算する。さらに、リアルタイムで安全性を確保するため、分散CBFベースのフィルタを適用し、エージェント間の衝突回避を強制する。提案手法は、MPCの予測能力により局所最小値問題を緩和し、CBFにより非凸最適化問題にもかかわらず形式的な安全性保証を提供する。最大25エージェントのシミュレーションと4台の実機による実験で有効性とスケーラビリティを示す。

先行研究では、MPCは予測により局所最小値に陥りにくいが、リアルタイムでの安全性保証が難しい。一方、CBFは形式的な安全性保証を提供するが、予測能力がなく局所最小値に陥りやすい。本提案は、MPCとCBFをハイブリッドに組み合わせることで、両者の利点を活かし、非凸最適化問題でも安全性を保証しつつ、局所最小値を緩和する点が新しい。また、分散MPCをADMMで解くことでスケーラビリティを実現し、実機実験まで行っている点が先行研究と比べて進んでいる。

手法の核は、分散MPCとCBFフィルタの統合にある。まず、目標形状と割り当てに基づき、各エージェントが局所的なMPC問題を定式化し、ADMMにより近傍エージェントと情報交換しながら協調軌道を計算する。MPCは予測ホライズンにわたる軌道を最適化し、局所最小値を回避する。その後、計算された軌道に対して、CBFに基づくフィルタを適用し、エージェント間の距離が安全閾値以上であることを保証する。CBFは制御入力を修正し、安全性を形式的に保証する。この2段階のアプローチにより、非凸な最適化問題でも安全性が確保される。

有効性の検証は、最大25エージェントのシミュレーションと、4台の物理ロボットを用いた実験により行われた。シミュレーションでは、様々な形状形成・再構成タスクを実行し、提案手法が衝突を回避しながら目標形状を達成できることを示した。実験では、実際の水上ロボットを用いて、提案フレームワークが実時間で動作し、安全に形状形成できることを実証した。具体的な評価指標（成功率、計算時間など）は要旨からは不明だが、スケーラビリティと実機での有効性が示されている。

要旨からは、提案手法の限界や課題についての議論は明示されていない。ただし、MPCとCBFの統合には、CBFフィルタがMPCの最適性を損なう可能性や、ADMMの収束性、通信負荷、動的環境への拡張などが考えられるが、要旨には記載がない。また、実験は4台と小規模であり、より大規模な実機検証が今後の課題となる可能性がある。

要旨で参照されている関連研究は明示されていないが、同分野の定番として、分散MPCに関する論文（例えば、"Distributed Model Predictive Control"）や、Control Barrier Functionsに関する基礎論文（例えば、Ames et al. のCBFに関する研究）が挙げられる。また、自己再構成ロボットの形状形成に関する研究も関連する。具体的には、Ames, A. D., et al. "Control Barrier Functions: Theory and Applications" や、分散最適化のADMMに関するBoyd et al. の論文が参考になる。