技術要約：多目的品質多様性最適化を用いたソフトグリッパーのグラフベース設計

問題提起

多様な物体に対する効果的な操作は、農業の収穫からラボの自動化に至るまで、幅広いアプリケーションにおいて極めて重要である。ソフトロボティクスは、この課題に適した固有のコンプライアンス（柔軟性）を提供するが、多様なタスクに対して汎用性を持つグリッパーを設計することは依然として困難である。連続体メカニクスの設計空間は膨大であり、標準的な最適化手法は特定のシナリオへの過学習（オーバーフィッティング）を招きやすい。さらに、計算設計には根本的なトレードオフが存在する。設計空間を制限すれば高精度なシミュレーションとの互換性は確保できるが、表現力が制限される。一方で、より豊かな設計空間を単純化された物理モデルで探索すると、ソフトグリッパーの性能を支配する非線形現象（大きな変形、材料の非線形性、不安定性、および接触相互作用）を無視することになる。加えて、従来の単一目的最適化は、多様な行動空間をカバーするのではなく、特定の条件を搾取するような、狭く脆い解を生み出すことが多い。

手法

1. グラフベースの設計表現

著者らは、有限要素シミュレーションに対する表現力と計算の扱いやすさのバランスをとった、平面的なソフト構造およびコンプライアントメカニズムのためのグラフベースの設計空間を提案している。この表現は以下の3つの層で構成される：

• 遺伝子型（Genotype）: $n$ 個のノードからなる情報密度の高い内部表現。各ノード $i$ は、デカルト座標 $x_i$、距離倍率 $w_{d,i}$、およびエッジ幅倍率 $w_{th,i}$ によって定義される。遺伝子型のサイズは $4n$ であり、$[0,1]$ の範囲に限定される。
• グラフ表現型（Graph Phenotype）: 無向空間グラフ $G=(V,E)$。エッジは明示的に符号化されるのではなく、推論される。エッジ $(i,j)$ は、閾値処理された重み付き距離 $W_{ij} < 1$ （ここで $W_{ij} = (\|x_i - x_j\|/L + w_{ij})/d_{max}$）を満たす場合にアクティブとみなされる。これにより、遺伝子型は直接的な隣接符号化よりも高密度でありながら、十分に表現力のあるグラフトポロジーのサブセットをカバーすることが可能となる。
• トポロジー表現型（Topology Phenotype）: アクティブなグラフエッジの結合によって形成される平面幾何学オブジェクト。これは厚み $w_{th} \cdot th_{max}$ を持つ材料で満たされる。

2. 多目的品質多様性最適化

広大で欺瞞的な設計空間をナビゲートするために、著者らはドミネイテッド・ノベルティ・サーチ（Dominated Novelty Search: DNS）の拡張である**パレート優位ノベルティ・サーチ（Pareto Dominated Novelty Search: PDNS）**を採用している。

• アルゴリズム: この手法は、$N$ 個の設計からなる個体群を維持する。単一の適合度スコアの代わりに、各設計は $m$ 個の競合する目的ベクトルと、行動記述子 $d_i \in \mathbb{R}^D$ によって評価される。
• 競争適合度（Competition Fitness）: 競争適合度 $\tilde{f}_i$ は、パレート優位性と多様性に基づいて算出される。ある解 $i$ に対して、それをパレート優位とする解の集合 $D_i$ が特定される。競争適合度は、優位な $k$ 個の近傍解との記述子空間における平均距離である。パレートフロント上の解（$D_i = \emptyset$）は無限の適合度を受け取り、その保存が保証される。
• 行動記述子: 幾何学的、トポロジー的、およびパラメトリックな側面（重心、広がり、エッジ密度、クラスタリング指標、体積分率など）を捉えるモジュール式の特徴量を用いて、明示的なタスク指定なしに多様性を導く。
• 遺伝的操作: 探索には、トーナメント選択、ノード単位の二点交叉、および多様な突然変異（位置や幅に対するパラメトリックなノイズ、およびノードの追加・削除・分割といった構造的突然変異）が使用される。

3. 物理ベースの評価

適合度評価には、以下の要素を含む高精度な有限要素モデリング（FEM）を利用する：

• 材料モデル: 非線形な材料応答を捉えるための、有限歪みネオ・フーック型超弾性。
• 接触: 交差のない構成を保証するための、増分ポテンシャル接触（Incremental Potential Contact: IPC）法。
• ソルバー: Implicit Newmark 時間離散化および SparseLU 分解を用いたニュートン・ラフソン反復法。
• 指標: 接触力 ($f_c$)、接触面積 ($A_c$)、対象物の歪みエネルギー ($U$)、およびエンドエフェクタの変位 ($u$) を含む、タスクに関連する指標の直接最適化。

実験設定および結果

ベンチマーク検証

グラフ表現は、まず標準的な構造最適化ベンチマーク（ソフトグリッパー、インバーター、およびMBBビーム問題）を用いて検証された。結果は、グラフベースのアプローチが、従来の設計手法による既知の最適トポロジーに近い解を正常に回収できることを示しており、コンプライアンスベースおよび剛性ベースの両方の問題に対する表現力を検証している。

多目的ソフトグリッパー最適化

本フレームワークは、4つの異なるシナリオを含む平面把持タスクに適用された：

1. Pinch-Rigid（ピンチ・剛体）: 小さな剛体物体（引張力を最大化）。
2. Power-Rigid（パワー・剛体）: 大きな剛体物体（接触面積を最大化）。
3. Power-Soft（パワー・ソフト）: 大きな軟体物体（歪みエネルギーと引張力のバランス）。
4. Pinch-Soft（ピンチ・ソフト）: 小さな軟体物体（歪みエネルギーと引張力のバランス）。

主な知見:

• 創発的な汎用性: 多様な把持ケース（4目的実行）にわたって最適化を行うことで、89個の非優位解を含むパレートフロントが生成された。単一目的最適化は、特定の訓練シナリオでは支配的だが他のシナリオでは失敗する「スペシャリスト」設計を生み出した（過学習）のに対し、多目的アプローチは、あらゆるシナリオにおいて堅牢な性能を持つ設計を生み出した。
• 形態学的戦略: エリート個体は、明確な戦略（例：大きな物体用の長いモーメントアーム、軟体物体用のフック状の構造）を示したが、多様なパレートフロントには、未知の条件下でも効果的に転移できる設計が含まれていた。
• 摂動に対する堅牢性: 位置の摂動（$\pm 10$ mm）および新しい物体形状（凹型の柱、サンゴのような構造）を用いたテストにおいて、4目的実行（および特にパレートフロントのランダムなサブセット）から得られた設計は、訓練シナリオと同等の性能を維持した。対照的に、単一目的のスペシャリスト設計は、大幅な性能低下を示した。
• 物理的検証: 3Dプリントされたグリッパー（Formlabs Elastic 50A）を用いた限定的な実験的検証により、最適化された設計が、シミュレーションで予測された変形および接触メカニズムを利用していることが確認された。また、把持の傾向や引張力の大きさについても定性的な一致が見られた。

意義および主張

本論文は、多様性駆動の最適化が、汎用的なソフトグリッパーへの原理的な経路を提供すると主張している。表現力豊かなグラフベースの設計空間を、高精度な物理学および多目的品質多様性アルゴリズムと組み合わせることで、著者らは以下を実証した：

1. 汎用性は創発する: 十分に多様な把持ケースに対して最適化を行うことで、未知の物体や接触条件に対しても汎用できる設計が得られ、タスク固有の解と比較して優れた堅牢性を示す。
2. 過学習の緩和: 多目的の多様性駆動最適化は、単一目的の貪欲な最適化に内在する脆弱性と過学習を軽減する。
3. 機械的インテリジェンス: このアプローチは、機械的インテリジェンス（コンプライアンスと適応性）を活用することで、制御を簡素化し、タスク固有の学習への依存を減らし、適応的な性質を持つソフトロボティクスの理念に合致させている。

著者らは、このフレームワークにより、シナリオごとのチューニングを必要とせず、限られた目的関数から堅牢な機械的戦略を創発させることが可能であり、より汎用的なソフトマニピュレーションの基礎を提供できると結論付けている。