変形可能なマイクロファイバーの形状制御のための閉ループSim-to-Real強化学習
研究者らは、表面上のマイクロファイバーの形状制御のための閉ループsim-to-real強化学習アプローチを提案する。簡略化された摩擦のないシミュレータで訓練されたポリシーは、再訓練なしで物理システムに直接転送され、多様な構成で平均形状誤差270マイクロメートル、さまざまなファイバー径と長さにわたってサブミリメートルの精度を達成する。
微細スケールでの表面および界面相互作用の正確なモデル化が困難であるため、自律的な接触ベースのマイクロマニピュレーションは大きな課題となっています。本研究では、表面上のマイクロファイバーの形状制御のための閉ループsim-to-real強化学習アプローチを提案します。中心となるアイデアは、簡略化された摩擦のないシミュレータで幾何学的形状調整を訓練し、実運用時にリアルタイムの視覚フィードバックを利用して、モデル化されていない表面相互作用の影響を反復的に修正することです。強化学習ポリシーはシミュレーションのみで訓練され、再訓練やドメイン適応なしで、40 Hzで動作する物理的なデュアルグリッパーマイクロマニピュレーションシステムに直接転送されます。
シルクマイクロファイバーをテストベッドとして使用した実験では、24の多様な初期構成において平均点状形状誤差270±80マイクロメートルを達成しました。さらに、3つのファイバー径（50、80、120マイクロメートル）と3つの操作長（10 mm、15 mm、20 mm）のすべての組み合わせをカバーする9つのサンプルに対して、同じポリシーが再訓練や再調整なしでサブミリメートルの最終形状誤差を達成しました。これらの結果は、sim-to-realのミスマッチのタスク関連効果が閉ループフィードバック内で観察および修正可能である限り、簡略化されたシミュレータで学習されたポリシーが表面接触下での現実世界のマイクロファイバー形状調整を再現可能に実現できることを示しています。
本研究は、自律的なマイクロマニピュレーションの分野に新たな可能性を開き、マイクロアセンブリやマイクロ操作ロボットなどの応用に貢献することが期待されます。論文はAlessandro Amiciら4名の著者によるもので、arXivにプレプリントとして公開されています（番号：2605.21688）。