技術要約：直列型モジュール式ソフトロボットのためのモジュール数適応型視覚形状制御

1. 問題提起

ソフトロボット、特にモジュール式の空気圧アクチュエータで構成されたものは、狭隘な環境や非定型な環境での運用において大きな可能性を秘めています。しかし、これらのロボットの全身形状を制御することは、高い自由度、材料の非線形性、ヒステリシス、および製造上のばらつきにより困難です。データ駆動型の制御手法が登場し、複雑な解析モデルを回避できるようになりましたが、既存のアプローチは通常、固定されたロボット構造に対してコントローラを学習させることを前提としています。

現在の画像ベースの全身形状制御における決定的な制限は、スケーラビリティ（拡張性）の欠如です。直列型ソフトロボットのモジュール数が変化すると、カメラの視野内における各モジュールの空間分布が変化します。その結果、特定の構成（例：単一モジュール）に対して学習されたコントローラは、異なるモジュール数を持つ構成に対して、新しい学習データの収集やモデルの再学習を行うことなく、直接再利用することができません。本論文は、単一モジュールの構成からのみ学習された制御知識を用いて、変動するモジュール数に適応できる制御フレームワークの必要性に対処します。

2. 手法

提案されたフレームワークは、グローバルな制御問題をローカルなモジュールレベルのタスクに分解することで、スケーラブルな全身制御を実現します。システムは、モジュール抽出器（Module Extractor）、モジュールコントローラ（Module Controller）、および**マスク再構成ネットワーク（Mask Reconstruction Network）**の3つの主要コンポーネントで構成されています。

A. システムアーキテクチャ

1. モジュール抽出器:

   • モジュールセグメンター（MS）（Detectron2に基づくインスタンスセグメンテーションモデル）を利用して、全身画像内の各モジュールのバウンディングボックスを特定します。
   • 抽出されたモジュールは、現在の画像とターゲット画像の間の整合性を確保するため、垂直方向の位置（上から下）に基づいてソートされます。
   • 全身画像は、各モジュールに対応するローカルパッチへとクロップされます。背景ノイズを低減するために、パッチの境界には補間処理が適用されます。
   • 単一のMSは、テストされたすべての構成（1〜5モジュール）の画像を含む結合データセット上でファインチューニングされており、総数に関わらずモジュールを特定することが可能です。

2. モジュールコントローラ:

   • クローズドループ方式で動作し、現在状態と目標状態の差に基づいて駆動電圧を反復的に更新します。
   • 入力処理: 各モジュールパッチに対し、**アクチュエータセグメンター（AS）**が3つの空気圧人工筋肉（左、中央、右）を特定します。マスクは、一貫した空間チャネル順序（左-中央-右）を保証するために、重心のx座標に基づいて並べ替えられます。
   • 状態表現: コントローラの入力テンソルは、以下の9チャネルの結合体です：
     • 現在のバイナリマスク ($M_{t,n}$)
     • ターゲットバイナリマスク ($M_{targ,n}$)
     • 現在の指令電圧からブロードキャストされた正規化電圧マップ ($Q_{t,n}$)
   • 予測モデル: CNNベースの電圧予測モデル ($I_\theta$) が、所望の電圧ベクトルを推定します。最終的な指令値は、予測電圧と現在電圧の差に一次ゲイン ($K=0.5$) を適用し、有効な電圧範囲内にクリッピングすることで更新されます。
   • 学習戦略: コントローラは、単一モジュールの視覚および駆動データのみを用いて学習されます。より長いチェーンの下流モジュールへの転移を容易にするため、学習中に幾何学的データ拡張（ランダムな回転および平行移動）が適用されます。これにより、マルチモジュール構成において下流モジュールが示すであろう位置および方位の変動をシミュレートします。

3. マスク再構成ネットワーク:

   • 遮蔽（オクルージョン）、重なり、または照明の変化によって生じる視覚情報の欠落に対処します。
   • 軽量なU-Netベースのネットワーク ($R_\phi$) が、欠落したアクチュエータマスクチャネルを再構成します。
   • メカニズム: 特定のチャネル（例：左側のマスク）が欠落しているか信頼性が低い場合、ネットワークは残りの2つのマスクチャネルと現在の電圧ベクトルを入力として受け取り、欠落したチャネルを予測します。これにより、部分的な遮蔽が発生した場合でも、コントローラが一貫した9チャネルの入力テンソルを受け取れるようにします。

3. 主な貢献

本論文は、主に以下の3つの貢献を述べています：

• 構成的な視覚制御フレームワーク: 単一モジュールのデータのみから学習されたコントローラを、追加の構成固有のデータ収集やコントローラの再学習なしに、様々なモジュール数（1〜5個）を持つロボットへ再利用する手法。
• 拡張によるスケーラブルな転移: 単一モジュール学習時に幾何学的データ拡張（回転および平行移動）を適用することで、視覚的な分布のズレを効果的に抑制し、より長い直列チェーンにおける下流モジュールへの汎化性能を高めることを実証。
• 堅牢性の検証: 変動するモジュール数、環境的な乱れ（照明、背景、アフィン変換）、ペイロード負荷、および合成的なマスク消失条件下における物理ロボットに対するコントローラの性能を実験的に検証。

4. 実験結果

実験は、単一のRGBカメラを用い、物理的なモジュール式ソフト空気圧ロボット（最大5モジュール、全長875 mm）に対して行われました。

• スケーラビリティ（1〜5モジュール）: 単一モジュールデータのみで学習されたコントローラは、1〜5個のモジュールを持つロボットを目標姿勢（ねじれ、前方、後方など）へと収束させることに成功しました。モジュール数が増えるにつれて平均二乗誤差（MSE）とその標準偏差はわずかに増加しましたが（誤差の累積を示唆）、画像誤差は一貫して減少しており、約20秒以内に収束しました。
• データ拡張の影響: 幾何学的拡張の有無による比較実験では、拡張を行うことでモジュール数の増加に伴う誤差の増大が大幅に抑制されることが示され、制御ポリシーの汎化における役割が確認されました。
• 環境への堅牢性: 照明の変化、背景の障害物、およびフィードバック画像への合成的なアフィン変換（平行移動および回転）の下でも、システムは性能を維持しました。
• ペイロード負荷: 5モジュールロボットの先端に500gのペイロードを取り付けた際、コントローラは目標形状への収束に成功しましたが、姿勢による誤差の分散は増加しました。
• マスク再構成: アクチュエータのマスクチャネルを一つ合成的に削除した実験において、再構成ネットワークは欠落した視覚的特徴を正常に復元し、ロボットが目標姿勢に収束することを可能にしました。再構成がない場合、ロボットは効果的な動作を行うことができませんでした。

5. 意義と限界

本論文は、この研究が直列型モジュール式ソフトロボットのためのスケーラブルでマーカーレスな全身形状制御を可能にすると主張しています。核心的な意義は、最小限の単一モジュールデータセットから学習された制御モデルを、再学習なしに複雑で可変長の構造へと展開できる点にあります。これにより、データ収集の負担が軽減され、動的な環境におけるモジュール式ロボットの再構成が容易になります。

著者らは、以下の限界についても謙虚に認めています：

• 誤差の累積: モジュール数が増えるにつれて定常誤差が増加しますが、これは荷重分布（重力モーメント）の変化や、単眼視覚に固有の奥行き情報の喪失に起因しています。
• データ拡張の限界: 現在の2D回転および平行移動による拡張は、奥行きの動きによって生じる見かけ上のスケール変化（3Dの変化）を完全には再現していません。
• ターゲット生成: 本研究は、物理的に実現可能なターゲット画像が提供されることを前提としており、高レベルのプランナーやスケッチからそのようなターゲットを生成する方法については扱っていません。

結果は、単一モジュールの学習を全身制御へと構成できる一方で、物理的な結合や奥行きの曖昧さが長いチェーンにおける精度に実用的な限界をもたらすことを示唆しており、これらは将来的な負荷補償や3D対応の拡張によって対処されるべき課題として残されています。