柔軟トランクロボットの動的形状制御

- 対象は trimmed-helicoid 形状を持つ soft trunk robot の全身形状制御 - データから full body の aSSM（adiabatic spectral submanifold）モデルを学習 - そのモデルを MPC（model predictive control）に組み込み、ハードウェア上で形状制御タスクを実現する研究 - 目的は複雑なワークスペース領域への到達性と実用性の向上

- 先行研究では同種の tendon-driven trunk robot に対し aSSM ベースの model-based controller が end-effector tracking で高精度を達成 - 本研究はそれを end-effector だけでなく full body の形状制御へ拡張した点が新しい - closed-loop dynamic shape regulation で利用可能な linear baselines を約10倍上回る - human-in-the-loop デモで section-by-section shaping と tennis ball の25秒以上の balancing を達成し、linear baselines は失敗 - 12時間ハードウェアで学習した model-free reinforcement learning policy も同 balancing タスクで失敗

- trimmed-helicoid soft trunk robot の全身について、データから aSSM モデルを学習 - 学習した aSSM モデルを MPC scheme に組み込み、形状制御タスクを実行 - compliance に由来する強い非線形性に対し、model-based な低次元表現で対処するのが肝 - 詳細な学習手続きや MPC の定式化は要旨からは不明

- 実機ハードウェア上で複数の形状制御タスクを実施 - closed-loop dynamic shape regulation で linear baselines と比較し約10倍の性能 - human-in-the-loop interactive demos で section-by-section shaping と tennis ball balancing（25秒以上）を検証 - 比較として linear baselines と、12時間学習した model-free reinforcement learning policy を用いた balancing 実験を実施

- aSSM-based MPC が実ソフトハードウェア上の full-body shape control への実用的な道筋であると主張 - linear baselines や model-free RL に対する優位性を示す一方、モデル学習のデータ要件や汎化性、他形状・他タスクへの適用性は要旨からは不明 - 定量的な議論の詳細は要旨からは不明

- 同種の tendon-driven trunk robot における aSSM ベースの end-effector tracking の先行研究 - adiabatic spectral submanifolds (aSSMs) の理論 - model predictive control (MPC) の関連研究 - 比較対象として linear baselines および model-free reinforcement learning のソフトロボット制御研究