ICRA 2026に採択された論文が、腱駆動連続ロボットの設計空間サロゲートモデリングにニューラルオペレーターを活用する新しいアプローチを提案した。連続ロボットは、制約のある環境での器用な操作を可能にするが、リアルタイムの操作と制御には正確で効率的なモデルが必要である。従来の物理ベースモデル（有限要素解析や梁理論など）は計算コストが高く、摩擦や材料非線形性などのモデル化されていない効果による不正確さに悩まされる可能性がある。一方、現在の学習ベース手法は、訓練された特定のロボットを超えた一般化がしばしば不十分であり、設計が変更されるたびに再訓練が必要となる。
本研究の鍵となる革新は、腱駆動連続ロボットのサロゲートモデリングを、ロボット設計パラメータ（セグメント長さ、直径、剛性など）と腱駆動入力を結果の構成（形状と位置）にマッピングするオペレーター学習問題として定式化したことである。この定式化により、単一の訓練済みモデルが広範なロボット設計クラスに一般化できるようになる。研究チームは、Deep Operator Networks（DeepONets）に基づく2つとFourier Neural Operators（FNOs）に基づく2つの、合計4つの新しいニューラルオペレーターアーキテクチャを開発した。DeepONetは線形基底関数を学習してオペレーターを表現し、FNOは周波数領域での畳み込みによって複雑なパターンを捉える。これらのモデルは、多様なロボット設計パラメータの組み合わせから生成されたシミュレーションデータセットで訓練された。
実験結果は、すべてのアーキテクチャがロボット構成の予測において良好な精度を達成し、従来の物理モデルよりもはるかに高速（ミリ秒単位）で予測できることを示している。さらに、訓練中に見られなかった新しい設計に対しても正確に一般化できることが実証され、設計空間におけるオペレーター学習の有効性が確認された。この研究は、連続ロボットのシミュレーションと制御のための効率的なツールを提供するだけでなく、設計最適化の新たな道を開く。例えば、手術用ロボットの設計において、医師は患者の解剖学的構造に基づいてロボットパラメータを迅速に調整し、代理モデルを通じてリアルタイムで性能を評価できるため、カスタマイズ設計を加速できる。論文はBranden Friedenら4名の著者によるもので、arXivで公開されている。