技術要約：ロボティクスにおける距離場と測地流へのリーマン幾何学的アプローチ

問題定義

ロボティクスにおいて、空間的関係の表現や動作計画を行う際、ロボットマニピュレータの構成空間のような非ユークリッド空間における距離を測定する必要がある。符号付き距離場（SDF）は、幾何学の表現や効率的なクエリを可能にするユークリッド空間では標準的であるが、ロボットのタスクを定義する固有の幾何学的特性（慣性、剛性、可操作性など）を捉えることはできない。

リーマン多様体上の測地線（最短経路）を計算するための既存手法は、通常、以下のいずれかに依存している：

1. 局所最適化： 特定の始点と終点のペアに対して、境界値問題やシューティング法を解く。これらは計算コストが高く、良好な初期値が必要であり、多様体のグローバルな表現を欠いている。
2. 格子ベースのPDEソルバー： Fast Marching Method (FMM) のような手法は、離散化された格子上でエイケナール方程式を解く。これらはグローバルな解を提供するが、「次元の呪い」に悩まされ、高自由度（DoF）のロボットに対してはメモリや解像度の制約から実行不可能となる。

核心となる課題は、グリッドベースの手法のスケーラビリティの限界や、シューティング法における局所解の問題を回避しつつ、高次元のリーマン多様体上で、測地流をエンコードするグローバルで連続的かつ微分可能な距離場を得ることである。

手法

本論文は、多様体上の距離場とそれに関連する勾配流を定義する一次偏微分方程式（PDE）である、リーマン・エイケナール方程式を解くためのフレームワークを提案している。

1. 数学的定式化

著者らは、等方的なエイケナール方程式をリーマン多様体へと一般化している。リーマン計量テンソル $G(x)$ を持つ多様体 $\mathcal{M}$ において、ソース $x_1$ からの距離場 $U(x)$ は以下を満たす：
$$\|\nabla U(x)\|_{G^{-1}(x)} = 1, \quad \text{s.t. } U(x_1) = 0$$
ここで、$\|\cdot\|_{G^{-1}}$ は逆計量テンソルによって誘導されるノルムである。経路のバックトラッキングを可能にする測地流 $V(x)$ は、$V(x) = G^{-1}(x)\nabla U(x)$ として定義される。

本論文では、ロボティクスに関連する様々なリーマン計量を利用している：

• 運動エネルギー計量： $G(q) = M(q)$。ここで $M(q)$ は慣性行列である。ここでの測地線は運動エネルギーを最小化する。
• ヤコビ計量： $G(q) = 2(H - P(q))M(q)$。ポテンシャルエネルギー $P(q)$ と全エネルギー $H$ を組み込み、エネルギー保存運動を考慮する。
• プルバック計量： タスク空間の計量（剛性や可操作性など）から構成空間へと誘導される。
• 障害物認識計量： 障害物への移動をペナルティとしつつ、接線方向の移動を許容する異方性計量。

2. ニューラル・リーマン・エイケナール・ソルバー (NES)

グリッドの制限を克服するために、著者らは物理情報ニューラルネットワーク（PINN）に基づいたメッシュフリー・ソルバーである NES を導入している。

• アーキテクチャ： 多層パーセプトロン（MLP）が始点と終点のペア $(q_s, q_e)$ を入力として受け取り、予測される測地距離 $U_\theta(q_s, q_e)$ を出力する。
• 学習目的関数： ネットワークはラベル付きの距離データなしで訓練される。代わりに、リーマン・エイケナールのPDE残差から導出された損失関数を最小化する：
  $$\mathcal{L}_{eik} = (\|\nabla_{q_e} U_\theta(q_s, q_e)\|_{G^{-1}(q_e)} - 1)^2$$
  滑らかさを確保し勾配の振動を抑えるために、ラプラス・ベルトラミ演算子に基づく正則化項が追加される。
• 対称性と非負性： ネットワークの出力は、非負性を保証しソース付近の特異点を回避するために、対称化（$U(q_s, q_e) = U(q_e, q_s)$）およびユークリッド項による因数分解が行われる。

3. 条件付きバリアント (C-NES)

著者らは、2つの柔軟なNESバリアントを提案している：

• 境界条件付き： ネットワークは、関節空間のソースではなく、タスク空間のソース $x_s$ に条件付けられる。境界条件は順運動学 $f(q) = x_s$ によって暗黙的に定義され、これによりソルバーは逆運動学（IK）を扱い、明示的な列挙なしに測地的に最も近いIK解を見つけることができる。
• 計量条件付き： ネットワークは、リーマン計量 $G(q; \omega)$ を変調するパラメータ $\omega$（例：全エネルギー $H$）を受け取る。これにより、単一のネットワークが異なる動的レジームに対する一連の距離場を表現することが可能になる。

4. コントロールへの統合

学習された距離場は、グローバルなポリシーを提供する。測地流をリアルタイムで追従するために、著者らは学習された勾配方向と局所的な線形吸引項をブレンドする。この目標速度は、標準的なコントローラに入力される：

• 二次計画法 (QP)： 関節制限やダイナミクスを遵守しながら、目標速度を追跡する運動学的（速度）または力学的な（トルク）QP。
• タスク優先順位付け： 測地流は、より優先度の高い制約（例：障害物回避やエンドエフェクタの姿勢）の零空間に投影され、これにより、残りの自由度においてエネルギー効率を最適化しつつ、厳格な制約充足を保証する。

主な貢献

1. リーマン・エイケナール定式化： 測地線の計算を、多様体の単一のグローバルな暗黙的表現として再定義した。これにより、反復的なシューティング法や最適制御とは異なり、高速なバックトラッキングと制御への直接的な統合が可能となった。
2. ニューラル・リーマン・エイケナール・ソルバー (NES)： ラベル付きデータなしで、PINNを通じてPDEの解を学習することにより、高次元の構成空間（例：7自由度アーム）にもスケールする、グリッドフリーで微分可能なソルバー。
3. 条件付きバリアント： 境界データによって条件付けられ（IKを暗黙的に処理）、空間的に変化する計量を受け取る（動的なエネルギーレジームを処理）C-NESバリアントの導入。これにより、ニューラルなパラメータ化の柔軟性が示された。
4. 実証的検証： 運動学、動力学、および動作計画にわたる広範な実験により、NESがエネルギー効率の高い軌跡を生成し、高次元の設定においてベースラインを上回る性能を示すことを実証した。

結果

著者らは、2自由度平面および7自由度Frankaマニピュレータを用いて、Geodesic Ray Tracing (GRT)、教師あり学習 (SL)、Geodesic Shooting (GS)、最適制御 (OC)、およびRiemannian Fast Marching (RFM) を含むベースラインに対してNESを評価した。

• エネルギー効率： エネルギーを考慮した多様体（ヤコビ計量）において、NESが生成した経路は、GSおよびOCと比較して、一貫して低い能動トルクと総制御努力量を達成した。7自由度の実験では、NESはすべての手法の中で最短の測地線と最小の能動トルクを生成した。
• スケーラビリティと速度：
  • オフライン： 訓練時間は2自由度で約5分、7自由度で約4時間である。
  • オンライン： 推論は極めて高速（ミリ秒単位）であり、リアルタイム制御をサポートする。毎回再計算が必要なRFMとは異なり、NESは任意の始点と終点のペアに対して即座に一般化できる。
  • 堅牢性： NESは、特に長距離のタスクにおいて、最適制御や測地シューティングで一般的な局所解の罠を回避する。
• タスク空間の統合： C-NESは、タスク空間のターゲットを関節空間の構成へと正常にマッピングし、IKを暗黙的に解き、冗長な構成の中からエネルギー最適解を選択した。
• 制約処理： タスク優先制御と統合された際、NESは障害物回避やエンドエフェクタの姿勢といった制約を厳格に遵守しながら、エネルギー効率を維持した。

重要性と主張

本論文は、ニューラルネットワークを通じてリーマン・エイケナール方程式を解くことが、ロボティクスにとって原理的、スケーラブル、かつ柔軟な幾何学的事前分布を提供することを主張している。

• グローバル vs ローカル： 毎回再解決を必要とする局所最適化手法とは異なり、NESは多様体の構造を捉えるグローバルな距離場を提供し、迅速かつ一貫したクエリを可能にする。
• 物理情報学習： ラベル付きデータではなくPDEの残差に基づいて訓練することで、本手法は正解となる測地線の生成に伴う計算コストを回避し、解が基礎となる幾何学的法則に従うことを保証する。
• ダイナミクスを考慮した計画： このアプローチは、システムダイナミクス（慣性、ポテンシャルエネルギー）を経路計画プロセスに自然に組み込み、単に幾何学的に短いだけでなく、エネルギー効率の高い軌跡を生み出す。
• モジュール性： 本フレームワークは計画（測地流を見つけること）と制御（フローを追跡すること）を分離しており、標準的なQPコントローラを使用しながら、グローバルな幾何学的最適性を活用できる。

著者らは、本手法が理論的に裏付けられている一方で、非常に異方性の強い計量に対してニューラル・ソルバーを訓練することは困難な場合があることを認めている。彼らは、このアプローチを、特に運動エネルギーとポテンシャルエネルギーの両方がモデル化される場合に、ロボットの運動を分析・計画するための、グローバルに最適な経路を提供するヒューリスティックとして位置づけている。