変形物体（流体、布、軟らかい物体など）を扱うロボット操作タスクでは、安全が重要な制御が依然として困難である。従来の学習ベースの手法は報酬形成を通じて安全性を間接的にコード化するため、展開時に制約充足が保証されない。本研究では、変形物体操作のための制約駆動型オンライン安全フィルタを提案する。このフィルタは、任意の名目制御ポリシーを最小限に修正することで、タスクレベルの明示的な安全制約をリアルタイムに強制する。
提案手法は2つの主要コンポーネントから構成される。1つ目は水平非依存ニューラルオペレータで、基礎となる偏微分方程式ダイナミクスの境界入出力マッピングを学習し、再学習なしで可変のロールアウト長に一般化する。2つ目は境界制御障壁関数で、軽量な二次計画法を通じてタスク関連出力レベルで安全性を保証する。結果として得られる安全制約は境界入力レートのアフィン関数となり、リアルタイムのオンラインフィルタリングを可能にする。
FluidLabの流体操作タスクで評価を行った結果、フィルタは未フィルタのベースポリシーと比較して安全軌跡率を最大22%向上させ、安全セットに到達するまでのステップ数も削減した。これは、報酬形成アプローチよりも制約駆動の安全強制がより信頼性が高く効率的であることを示している。
著者はJiaxing Li、Hanjiang Hu、Zhuoyuan Wang、Yorie Nakahira、Changliu Liuであり、2026年5月1日に提出された。本研究はSimons財団およびメンバー機関の支援を受けている。今後の展開として、他の種類の変形物体への拡張や、より複雑なタスク制約の考慮が期待される。この成果は、流体や柔らかい物体の安全な操作が不可欠な自動化キッチン、医療手術、製造業などの分野で重要な意味を持つ。