Data-Driven Soft Robot Control via Adiabatic Spectral Submanifolds

技術要約：断熱スペクトル部分多様体を用いたデータ駆動型ソフトロボット制御

問題提起
柔軟性や劣駆動性を特徴とするソフトロボットの機械的な複雑さは、モデルベース制御において大きな課題となっている。線形データ駆動モデルは採用されているものの、これらは、顕著な非線形挙動を示す領域を探索するような、複雑で空間的に拡張された経路に沿ったソフトロボットの制御には苦慮している。さらに、正確な物理モデル（有限要素モデルなど）は、リアルタイムのモデル予測制御（MPC）を行うには高次元すぎる場合が多い。また、既存のデータ駆動型アプローチ（強化学習や線形システム同定など）は、大規模なオフラインデータセットに依存したり、ブラックボックス近似であったりすることが多く、未知の制御力の下での非線形ダイナミクスを捉えきれないという問題がある。核心となる課題は、広範な動作領域においてソフトロボットの非線形ダイナミクスを正確に捉え、精密なリアルタイム・トラジェクタリ・トラッキングを可能にする、低次元のデータ駆動型モデルを開発することである。

手法
著者らは、**断熱スペクトル部分多様体（Adiabatic Spectral Submanifolds: aSSMs）**の理論に基づく制御戦略を提案している。このアプローチは、過減衰状態にあるソフトロボットにおける、自然な時間スケールの分離（内部振動が意図した経路に沿った移動よりもはるかに速く減衰するという性質）を活用している。

1. 理論的基礎:

   • 本手法は、aSSMを利用している。aSSMとは、低次元で吸引的な不変多様体であり、「クリティカル多様体」（一定の制御入力に対応する定常状態の集合）から派生するものである。
   • 標準的なスペクトル部分多様体（SSM）は単一の平衡点に固定されているが、aSSMは緩やかに変化する制御入力（$u(t) = u_s(\epsilon t)$、ここで $\epsilon \ll 1$）に対して有効である。これにより、ロボットが平衡位置から大きく離れて移動する場合でも、低次元モデルの精度を維持することができる。
   • 制御入力は、クリティカル多様体を追従する遅い成分（$u_s$）と、誤差を補正するための速い偏差成分（$u_d$）に分解される。

2. データ駆動型学習パイプライン:

   • データ収集: システムは2種類のデータを収集する。(a) 様々な初期条件から始まる無強制実験による減衰軌道（遅いSSMの幾何学的構造を特定するため）、および (b) 様々な静的構成の周囲でランダムな時変制御入力を適用して生成された制御軌道。
   • 静的SSM学習: SSMLearnアルゴリズムを用いて、一連の静的な制御入力に対するゼロ次SSMモデル（パラメータ化、チャート写像、および低次元ダイナミクス）を学習する。
   • 補間: ワークスペース全体で有効なグローバルモデルを構築するために、これらの局所的な静的SSMのパラメータを補間（修正逆距離加重法または二次多項式回帰を使用）し、aSSM低次元モデルを形成する。
   • 制御キャリブレーション: 速い制御偏差項を考慮するために、制御データから線形制御行列（$B$）を学習する。
   • 制御の実装: 学習されたaSSM低次元モデルをモデル予測制御（MPC）スキームに組み込む。最適化問題は、有限ホライゾンにおけるトラッキング誤差と制御努力を最小化するように、aSSM低次元ダイナミクスの制約条件下で行われる。
   • 本手法は、高精度な有限要素シミュレーションを用いたソフトトランクロボット、およびコセラ・ロッド（Cosserat-rod）ベースの弾性ソフトアームを用いて検証される。

3. 主な貢献:

   • ソフトロボットのための断熱縮退: 本論文はSSM理論を「断熱」領域へと拡張し、平衡点の近傍だけでなく、広い動作領域において有効な低次元モデルの構築を可能にした。
   • 純粋なデータ駆動型フレームワーク: 著者らは、ロボットの構成則や支配方程式に関する事前知識を必要とせず、実験データのみからこれらのaSSM低次元モデルを学習する完全なパイプラインを実証している。
   • 優れたトラッキング性能: 本研究は、ソフトロボットの非線形性と高次元性を効果的に扱う制御スキームを導入しており、既存の線形および標準的なSSMベースの手法を凌駕している。

結果
提案手法は、ソフトトランクロボット（4,254自由度）および弾性ソフトアームの高次元有限要素モデルを用いて検証された。

• モデルの精度: オープンループテストにおいて、5次元または6次元のaSSM低次元モデルは、4次元モデルや標準的な線形近似と比較して、正規化平均軌跡誤差（NMTE）が有意に低いことが示された。これは、過減数学的挙動が顕著な垂直変位（$z_{ee}$）が大きい領域において特に顕著であった。
• 閉ループ制御: 多様なターゲット・トラック（次元、サイズ、速度が異なるもの）を含む閉ループMPCタスクにおいて、aSSMベースのコントローラは優れたトラッキング性能を達成した。
• 性能指標: aSSM低次元モデルは、テストされたすべての閉ループ制御タスクにおいて、線形モデル、軌跡区分線形化（Trajectory Piecewise Linearization）、およびKoopmanベースのアプローチを含む他のデータ駆動型モデリング手法と比較して、積分二乗誤差（ISE）において最大10倍の差で上回った。
• 堅牢性: 本システムは、実験ノイズが存在する場合や、厳密な理論的要件である $r_s \ll 1$ を超える非次元化スローネス尺度 $r_s \approx 3.7$ までの動作においても、堅牢な性能を維持した。

意義と主張
本論文は、断熱スペクトル部分多様体理論の適用が、ソフトロボットのダイナミクスの複雑さを軽減しつつ、本質的な非線形挙動を保存するための厳密な数学的枠組みを提供することを主張している。過減衰ソフトロボットに固有の「遅い・速い」時間スケールの分離を利用することで、高精度かつ計算効率が高く、リアルタイムのMPCに適した低次元モデルを導出できることを著者らは実証している。

著者らは、本研究を「モデルの精度」と「複雑さ」の間のトレードオフに対する解決策として位置づけている。彼らは、データ駆動型のaSSMアプローチが、高度な非線形領域で失敗する線形化の弊害や、強化学習のデータ集約的な性質を回避できると主張している。結果として、aSSM低次元モデルは、未知の軌跡に対しても汎化性能を持ち、適切な範囲内のスローネス尺度であれば、運動が内部減衰率に対して厳密に「遅い」場合であっても効果的に動作できることを示唆しており、これまで適切な低次元モデルの欠如によって制限されていた、複雑な環境におけるソフトロボットの精密かつ高速な制御への実行可能な道筋を提示している。