ソフトロボットは、その柔軟性、低剛性、高自由度から、医療介入、リハビリテーション、ロボット操作などの応用で注目されている。モジュラーハードロボット（MSR）は、複数の相互接続セグメントから構成され、高度に変形可能で再構成可能な構造を持ち、複雑なタスクを実行できる新しいロボットシステムのクラスである。しかし、MSRの非線形力学、モデリングの複雑さ、超冗長な性質のため、その制御器の設計は依然として困難である。既存のアプローチでは、ロボットの形態が変化するたびに制御器をゼロから再訓練する必要があり、時間とコストがかかる。
本研究では、継続学習に着想を得た制御フレームワークを提案し、これらの課題に取り組む。このフレームワークは、以前に獲得した知識を保持しながら、ロボットの形態変化に段階的に適応できる。具体的には、提案フレームワークにより、制御器は以前学習した構成を忘れることなく、新しいMSR構成を逐次的に学習できる。さらに、固定構成のMSRに対しては、同じフレームワークを分散方式で使用してモジュール固有のダイナミクスを学習し、局所的な制御と高精度を実現する。この方法は、制御器の適応性を向上させるだけでなく、再訓練の計算コストを削減する。
提案手法の有効性を検証するため、研究者らはシミュレーションで腱駆動ソフトロボットを用いた閉ループ軌跡追跡実験と、実機の3モジュール空気圧ソフトアームでの実験を実施した。実験結果は、フレームワークが軌道追跡において優れた性能を示し、目標軌道に正確に追従できることを示した。さらに、制御器が仮想目標位置に到達するために必要なモジュールのみを選択的に活性化し、計算負荷を低減する到達実験により、フレームワークの適応能力が実証された。これらの実験は、モジュラーハードロボットの適応制御における本フレームワークの可能性を十分に示している。
本研究は、ソフトロボットの適応制御のためのスケーラブルで効率的なソリューションを提供し、医療、製造、探査などの分野での実用化を促進することが期待される。将来的には、より複雑な多形態変化シナリオに対応するためにフレームワークをさらに最適化する予定である。