車輪付き四足歩行ロボットの自律レーシングにおいて、高速コーナリング時の横方向荷重移動は性能と安定性を制限する重要な課題である。arXivに投稿された論文は、モデル予測制御（MPC）と強化学習（RL）を用いたアクティブロール制御のための階層型制御フレームワークを提案し、Unitree Go2-Wプラットフォームの競技走行中の横荷重移動を管理する。本研究は、2026年9月7日から11日に日本・つくばで開催される第17回国際先進車両制御シンポジウム（AVEC 2026）に採択された。
このフレームワークは三つの層で構成される。オフラインで時間最適なレーシングラインを生成し、オンラインMPCプランナーが車両ダイナミクスの自転車モデルに基づいて横荷重移動比（LTR）を積極的に最小化する。最下層では、ロボットの16個のアクチュエータに直接展開される全身強化学習ポリシーが用いられる。特筆すべきは、脚部アクチュエータをアクティブサスペンションとして機能させ、膝関節がアンチロールトルクを発生させてコーナー内側へ傾くことで、横荷重移動を相殺する点である。
研究チームは実機のトラックで物理実験を行った。その結果、アクティブロール制御により平均LTRが最大44%低減され、最速ラップタイムが8.7%改善され、ピーク横加速度能力が21.3%向上して1.98 m/s²に達した。さらに、このコントローラは高速域でも堅牢な安定性を維持し、非傾斜ベースラインコントローラの適用範囲を超える性能を示した。補足コードとビデオはGitHubで公開されており、再現と検証が可能である。
本研究は、脚式ロボットの動的制御にモデル予測制御と強化学習を組み合わせる可能性を示しており、特に脚関節をサスペンションとして積極的に活用することで、車輪付き四足歩行ロボットの限界工况での操縦性能を改善する。この階層アーキテクチャは、計画層の最適性を保証しつつ、下層のRLポリシーによって16個のアクチュエータの高頻度全身制御を実現しており、将来の移動ロボットの高速自律ナビゲーションに新たな道筋を提供する。