技術要約：30トン級油圧ショベルのためのIL-ACT

問題提起

30トン級の油圧ショベルに代表される重機における自律制御は、結合された運動学、アクチュエーションの遅延、およびシステムの不確実性 due to 複雑な課題に直面している。従来のシステムは軌道最適化や学習による逆制御を実証してきたが、不確実なダイナミクスや変化する動作条件下において、堅牢かつ高精度なトラッキングを実現することは依然として困難である。著者らは、このような複雑な機械に対して、模倣学習（IL）の利点と適応制御の堅牢性を両立させつつ、目標到達と軌道追従を処理できるモーション制御フレームワークの必要性に取り組んでいる。

手法：IL-ACTフレームワーク

本論文では、4つの制御ジョイント（旋回、ブーム、アーム、バケット）を持つ30トン級油圧ショベル向けに設計された新しいモーション制御フレームワークであるIL-ACT（Imitation Learning with Adaptive Cartesian Tracking：適応型デカルト座標系トラッキングを用いた模倣学習）を提案している。このシステムは0.1秒の制御周期でクローズドループで作動し、主に3つのコンポーネントで構成される。

1. アンカー付き模倣ポリシー（Anchored Imitation Policy）

• アーキテクチャ: オペレーターのデモンストレーションによる行動クローニングを用いて訓練された、全結合ニューラルネットワーク（入力14、出力4）。
• 訓練戦略: ポリシーはテレメトリ・コーパス（15日間の記録データ）で事前学習され、オフラインの運動学的監督（kinematic supervision）を用いて洗練される。「運動学的ティーチャー（kinematic teacher）」は、構成を再構成し、境界付きの逆運動学（IK）姿勢ガイドおよびデカルト速度コマンドを生成する。
• アンカー機構: 安定性とゼロアクションの一貫性を確保するため、ポリシーの出力は、現在の状態に対するネットワークの予測と、「ゼロアクション」アンカーステート（目標が現在のポーズと一致し、速度がゼロの状態）に対する予測との差分として定義される。これにより、システムが目標に到達し運動がないとき、公称コマンドが正確にゼロになることが保証される。
• 観測量: 入力ベクトルには、因果的でフィルタリングされた関節角、先端位置、および条件付けポイント（目標またはプレビューポイント）への誤差ベクトルが含まれる。

2. 適応型デカルト座標系トラッキング（Adaptive Cartesian Tracking: ACT）

• フィードバック補正: システムは、所望の先端位置と実測値の間の誤差を計算するデカルト座標系のフィードバックループを採用している。
• ゲイン/バイアス推定: ゲート付き推定器が、測定された関節速度と公称プラント応答予測を比較する。これにより、油圧の不確実性（バルブの遅延、摩擦、負荷変調）による偏差を補償するためのゲインおよびバイアス補正を推定する。
• 適応ロジック: ゲインおよびバイアス推定値の更新は、励起レベル（低信号または飽和状態での適応を避けるため）および介入フラグに基づいて「ゲート（制御）」される。
• 統合: 最終的なコマンドは、公称IL出力、減衰付き逆ヤコビアンを介して関節空間にマッピングされたデカルトフィードバック速度、および推定されたバイアス/ゲイン補正の組み合わせである。

3. 共有コマンド・ガバナー（Shared Command Governor）

• 安全性と実現可能性: 停止距離ガバナーが生成された関節リファレンスを制約し、機械が目標に到達する前に物理的限界（位置、速度、加速度の境界）内で停止できることを保証する。
• リファレンスの許容性: ガバナーは、位置要求レジスタが宣言されたエンベロープ内に留まることを保証する。ガバナーが実行不可能な状態を検知した場合、即時停止ではなく、フォールバック減速をトリガーする。
• アンチワインドアップ: フィードバックループの積分項におけるアンチワインドアップ積分を利用し、飽和時における性能低下を防ぐ。

主な貢献

著者らは、以下の3つの主要な貢献を特定している。

1. アンカー付き模倣ポリシーの設計: データセット集約と運動学的監督を通じて洗練された、協調的な4ジョイント・ポリシー。これは、安定性を確保するための正確なゼロアクション・アンカーを備えている。
2. 制約付きリファレンス生成を伴う適応型トラッキング: デカルトフィードバックとゲート付きゲイン/バイアス推定を、共有停止距離ガバナーと組み合わせたフレームワーク。本論文では、ガバナーの実現可能性を条件として、適応状態の有界性と生成されたリファレンスの許容性を確立する理論的分析を提供している。
3. 包括的な比較シミュレーションによるエビデンス: 油圧の乱れ（バルブ遅延、摩擦、ヒステリシス、負荷変調）を伴う高精度なSimscape環境における広範な評価。研究には、複数の訓練シードと初期化戦略を用いた、チューニング済みPID、ILのみ、およびTeacher+ACTベースラインとの比較が含まれる。

実験結果

フレームワークは、油圧の乱れ（バルブ遅延、摩擦、ヒステリシス、負荷変調）をシミュレートした、30トン級エキスカベーターの高精度なSimscape環境で評価された。

目標制御（100回の連続目標）

• 成功率: ノミナルおよび乱れのある条件の両方において、IL単体およびIL-ACTは共に100/100の成功を達成したが、PIDはノミナルで95/100、乱れのある条件で86/100であった。
• 効率性: Teacher+ACTと比較して、IL-ACTはより短い所要時間とより低い終端誤差で全ての目標を完了した。具体的には、IL-ACTはTeacher+ACTと比較して、所要時間をノミナルで7.22%、乱れのある条件で12.97%短縮した。
• 精度: ノミナルおよび乱れのある応答下において、IL-ACTはTeacher+ACTと比較して、平均終端誤差をそれぞれ約16.16%および28.39%減少させた。

軌道追跡（スパイラル、フィギュアエイト、ラスタートラッキング）

• スパイラル・トラッキング: IL-ACTはPIDおよびIL単体の両方を大幅に上回った。油圧の乱れが存在する場合、IL-ACTはデカルト・トラッキングRMSEにおいて0.05864 mmを達成したが、これはPIDの12.48 mm、IL単体の2.49 mmと比較して極めて高い精度である。
• 汎用性: 3つの訓練シードと2つの初期化（テレメトリ vs ランダム）を含む88回の実行を用いた拡張研究において、テレメトリで初期化されたIL-ACTは、すべての24組のフィギュアエイトおよびラスタートラッキングのシード比較において、Teacher+ACTに対してRMSEを低下させた。
• 負荷およびノイズへの堅牢性: 追加負荷スパイラル条件下において、テレメトリ初期化IL-ACTは、Teacher+ACTと比較して平均RMSEを約29%低下させた。共有センサーノイズ条件下では、Teacher+ACTよりも27.67%低い平均RMSEを達成した。
• 推定器の影響: ゲイン/バイアス推定器を有効にすることで、センサーノイズ条件下において、凍結された推定器と比較して平均RMSEを22.44%減少させた。

意義と主張

本論文は、IL-ACTが模倣学習のデータ駆動型の効率性と、適応制御理論の堅牢性をうまく統合していると主張している。

• 堅牢性: 本フレームワークは、重大な油圧の不確実性と外部の乱れが存在する場合において、純粋な模倣学習（ILのみ）およびモデルベースのベースライン（PID）に対して優れた性能を示す。
• 理論的保証: ブラックボックス的な学習手法とは異なり、著者らは、適応状態とデカルトフィードバックコマンドが有界であり、ガバナーが実現可能である限り生成されたリファレンスが許容されることを確立する分析を提供している。
• 実用的な適用可能性: 結果は、事前学習されたポリシーにオンライン適応と安全ガバナーを組み合わせることが、重機の自律制御に向けた実行可能な道筋であり、学習のサンプル効率と産業運用における安全要件のバランスを提供するものであることを示唆している。

著者らは、これらの知見は評価されたシミュレーション条件に特有のものであることを注記し、事前学習された重みの効果はタスクや初期化によって混在する場合があるとして、範囲について謙虚な姿勢を保っている。本研究は、自律掘削のあらゆる側面（ターゲットのローカライゼーションは別の段階として注記されている）を解決したと主張するものではなく、モーション制御および軌道追従の段階に焦点を当てている。