状態依存的な目的調整による二輪倒立ロボットのバランスとナビゲーションの統合制御

- 二輪倒立振子ロボットのような不安定プラットフォーム上で、navigation と balance を単一の end-to-end reinforcement learning ポリシーで統合する手法。 - mapping・planning・low-level control を分離する従来構成ではなく、オンボード観測から直接制御行動へ写像する compact な unified policy を目指す。 - pitch-conditioned な scalarization 係数 β(s)∈[0,1] で balance stabilization と navigation の相対寄与を訓練中に調整する lightweight な objective coordination 法。

- 従来の cascaded modules は計算オーバーヘッドと累積レイテンシを生むが、本手法は end-to-end で統合しこれを回避。 - PID や LQR などの auxiliary attitude-stabilization controllers や追加の制御階層を必要としない点が特徴。 - 既存の reward-weighting・constraint・training・control-structure 戦略との比較で PPO+β(s) が優位であることを示す。 - 固定 obstacle map で 98%、ランダム高密度 map で 95% の成功率を小さな attitude excursion で達成。

- 状態依存の scalarization 係数 β(s) を導入し、balance と navigation の目的の相対的重みを訓練中に調整。 - β(s) は pitch に条件付けられ、[0,1] の範囲で目的間の寄与を連続的に変化させる。 - simulation training で execution delay、action hold、asynchronous かつ noisy な観測、dynamics uncertainty をモデル化し zero-shot 展開を支援。 - gradient analysis により目的間の持続的な directional interference と相対スケールの状態依存変動を明らかにする。

- 固定 obstacle map とランダム生成の high-obstacle-density map の両方で評価。 - PPO+β(s) が 98% および 95% の成功率を小さな attitude excursion で達成。 - alternative な reward-weighting、constraint、training、control-structure 戦略との比較を実施。 - zero-shot hardware 実験で、オンボード観測のみを用いて bounded な attitude 挙動と一貫した obstacle avoidance を実証。

- gradient analysis から目的間の directional interference と相対スケールの状態依存変動が示され、単純な固定重み付けの限界が示唆される。 - 追加の attitude-stabilization controller なしで balance と navigation を両立できる可能性を示す一方、詳細な限界や失敗事例は要旨からは不明。 - 訓練・評価コードは採択後に公開予定とされている。

- PPO (proximal policy optimization) の原論文。 - 比較対象として言及される reward-weighting、constraint-based、control-structure 系の手法（具体的名称は要旨からは不明）。 - PID や LQR などの classical attitude-stabilization controllers に関する基礎文献。 - end-to-end reinforcement learning による robot navigation の代表的先行研究（具体的名称は要旨からは不明）。