スタイン変分推論を用いた分布ロバスト制御による接触豊富な操作

ロボットによる操作において、接触を伴うタスク（把持、組立など）は制御方針に厳しい課題を課します。接触相互作用から生じる不確実性を正確に表現し適応する必要があるからです。近年のデータ駆動手法は大規模な訓練を通じて不確実性を軽減しますが、訓練サンプルが限られると性能が著しく低下します。一方、従来のモデルベース制御は計算効率が高く信頼性がありますが、タスク関連の不確実性を表現する能力が限定的で、接触豊富な相互作用では性能が損なわれる可能性があります。

この研究では、より柔軟な不確実性モデリングを通じてモデルベース操作制御の能力を拡張することを提案します。提案手法は操作問題を分布ロバスト制御最適化として捉え、スタイン変分推論に基づく新しい決定論的定式化を導入します。これにより、性能を維持しながらタスク敏感なパラメータ不確実性を明示的にモデル化します。結果として得られる制御器は、不確実性に対するタスクの感度をより認識し、性能を損なうことなく高い信頼性を実現します。

実験では、さまざまな接触豊富な操作タスクにおいて、広範なパラメータ不確実性の下で最大3倍のロバスト性向上を示し、既存のモデルベース制御手法を上回りました。この研究は、接触豊富な操作におけるロバスト制御の新しい方向性を提供し、複雑な環境でのロボット操作の実用化に貢献することが期待されます。

さらに、本手法の重要な利点は、モデルベース制御の高い計算効率を維持しつつ、不確実性処理能力を強化した点にあります。データ駆動手法のように大量の訓練データを必要とせず、少数のサンプルでも良好な性能を発揮します。産業用ロボットの組立や精密操作などの場面で、部品公差の変動や環境外乱などの不確実要因に対して安定した動作を実現できます。スタイン変分推論に基づく定式化は数学的解釈が容易で、理論解析や改良にも適しています。今後、研究チームはより複雑な多接触タスクへの拡張や、深層学習との融合を検討しています。本論文は2025年7月にシドニーで開催されたロボティクス：サイエンスアンドシステムズ会議（RSS）で発表されました。