ロボット、自動運転車、そして宇宙船はすべて、共通の根本的な課題を抱えています。それは、物理法則に従い、障害物を回避しながら、ある場所から別の場所へと移動しなければならないということです。これらを実現するために、彼らは「軌道最適化（trajectory optimization）」と呼ばれる数学的プロセスに頼っています。これは、いわば超強力なナビゲーターのような役割を果たします。このナビゲーターは、速度と方向の無数のバリエーションをテストすることで、エネルギーや時間を最小限に抑えるルートを探し出し、最適な経路を常に計算しています。世界が単純で予測可能な場合、標準的な数学ツールはこのパズルを完璧に解くことができます。しかし、現実の世界は混沌としています。ロボットには複雑な関節があり、車は濡れた路面で滑り、宇宙船はデブリを回避しなければなりません。このような状況では、数学は非線形かつ困難なものとなり、コンピュータは一連の「もっともらしい推測」を行い、それを洗練させ、解が見つかるまで繰り返すことを要求されます。この反復プロセスこそが現代のモーションプランニングのバックボーンであり、部品の組み立てや他の惑星への着陸といった繊細なタスクを機械が実行することを可能にしています。

しかし、これらの機械がより高い能力を持つようになるにつれ、より厳格なルールに従って動作することを求められるようになります。ロボットアームは人間の手に当たらないようにする必要があるかもしれませんし、ドローンは狭い通路内に留まらなければならないかもしれません。これらのルールを強制するために、コンピュータは制約を破りそうになるたびに、その計算に重いペナルティを加算します。これにより、ロボットはルールを守るよう強制されますが、同時に「隠れた危険」も生み出します。経路を見つけるためにコンピュータが使用する数値が、あまりにも極端に大きくなってしまい、機械がそれらの違いを識別する能力を失ってしまうことがあるのです。それは、巨大な山の隣に立って、一本の髪の毛の幅を測ろうとするようなものです。微細なディテールが、巨大なスケールのノイズの中に紛れてしまうのです。これが起こると、コンピュータの計算は不安定になり、ロボットは経路を見つけられなくなったり、最悪の場合、紙の上では完璧に見えるものの、物理的には不可能な経路を計算してしまったりします。

最近の研究において、Waabi Innovation Inc.のMaximilian Haas-Heger氏とJur van den Berg氏は、この数値的不安定性の問題に取り組みました。彼らは、複雑な経路を計画するために広く使用されている「反復線形二次レギュレータ（iLQR）」として知られる特定のアルゴリズムに焦点を当てました。研究チームは、アルゴリズムが内部的な数学処理を行う方法を変更することで、速度を落とすことなく、大幅に堅牢性を高められることを発見しました。彼らの研究の中心となるのは、「平方根（square root）」定式化と呼ばれる手法です。標準的なコンピューティングでは、アルゴлоリズムはあらゆる可能な動きのコストを表す大きな数値の表を保持しています。制約が厳しくなると、この表は読み取りにくくなります。研究者たちは、その完全な表を追跡する代わりに、レシピの全材料を保管するのではなく、そのエッセンスとなる材料だけを保管するのと同様に、より単純な三角形の形式の表を追跡すればよいことに気づきました。

成功の鍵は、問題をどのように簡略化したかにあります。彼らは、写真家の設定を調整してブレを最小限に抑えるように、ロボットの目標を「誤差の加重和」として扱いました。複雑な曲線を直線で近似する「ガウス・ニュートン法」を用いることで、問題の数学的構造が安定した状態を維持できるようにしました。これにより、重くて不安定な計算を、より軽量で精密な操作である「QR分解」に置き換えることができました。この操作を、乱雑なデータの山を、隙間や重なりがないように整然とした積み重ねへと整理する方法だと考えてください。この新しいアプローチにより、ルールを破った際のペナルティが膨大になったとしても、コンピュータは精度を維持することができます。

研究者たちは、2本のロボットアームが剛体オブジェクトを一緒に運ぶという、非常に困難なシナリオを用いて新しい手法をテストしました。アームは、互いのグリップ間の距離を一定に保ちながら、オブジェクトを始点から終点まで移動させる必要がありました。これは、コンピュータが複数の相反する要求のバランスを取ることを要求する制約でした。彼らは、この距離のルールを違反した場合のペナルティを、標準的なコンピュータが通常扱うレベルを遥かに超える極端なレベルまで増加させたシミュレーションを実行しました。これらのテストにおいて、従来のメソッドは精度を失い、ペナルティが増大するにつれて最終的に無意味な結果を生み出し始めました。しかし、新しい平方根メソッドは、その立場を維持しました。ペナルティが非常に大きくなり、標準的なメソッドが完全に崩壊した後でも、この手法は正確な経路を生成し続けました。実際、標準的なコンピュータ演算において、従来のメソッドがほぼすべての精度を失っていた場面でも、新しいアプローチは6桁から7桁の有効数字の精度を維持していました。

この改善は単なる理論的な勝利ではありません。それは、実世界の機械における信頼性に直結します。研究は、この新手法が最適化プロセスをより遠くまで推進できることを示しました。これにより、ロボットは以前は不可能だったレベルの厳密さで制約を満たすことができます。標準的なメソッドが「100万分の1」の精度を求められた際に諦めてしまう可能性がある一方で、新しいメソッドはその精度を「1000億分の1」まで押し上げることができます。研究者たちは、この精度の向上に伴う計算コストがほとんどなく、問題を解決するために必要な総時間の3パーセント未満の増加であると指摘しています。これは、エンジニアがこの新手法を旧来のものの代わりとしてそのまま導入でき、即座にロボットが困難でリスクの高いタスクを扱える能力を高められることを意味します。

また、論文では、なぜこの特定の手法の改善がこれまで広く採用されてこなかったのかについても触れています。カルマンフィルターのようなナビゲーションシステムでは、同様の「平方根」技術が数十年にわたって使用されてきましたが、軌道最適化への適用は数学がより複雑であるため困難でした。iLQRの平方根バージョンを作成しようとする以前の試みは、使い方が複雑すぎるか、あるいは数値的に劣っていました。著者らは、彼らのアプローチが、問題の特定の構造を利用して数学を簡略化し、各ステップを一つのエレガントな操作に集約している点で異なると主張しています。彼らは、厳格な制約の下で経路を計画するあらゆるロボットにとって、宇宙船のための不安定なナビゲーションシステムを選ばないのと同様に、このより安定した手法を使用しない理由はないと示唆しています。

結局のところ、この研究は、ロボットの動きの限界が、物理法則によってではなく、コンピュータの計算能力の限界によって定義されることが多いということを証明しています。計算の実行方法を洗練させることで、研究者たちは重要な障壁を取り除き、機械がより複雑で危険な環境においても、より高い信頼性を持ってナビゲートできるようにしました。この研究は、適切な数学的ツールがあれば、自律システムが達成できる境界を押し広げることができ、リスクが最も高い状況においても、それらが精密かつ信頼できるものであることを保証できるということを裏付けています。