メカトロニクスシステムのパラメータ同定では、いかに情報量の多い励起信号を設計できるかが同定精度を大きく左右する。しかし、古典的なシステム同定（SI）手法は専門家の知識に依存し、ハードウェアの安全制約を満たすために励起信号を手作業で設計する必要があるため、汎用性が限られるという課題があった。これに対し、Julian Langschwert氏、Georg Schaefer氏、Jakob Rehrl氏、Stefan Huber氏、Simon Hirlaender氏による研究は、強化学習（RL）エージェントを用いて最適な励起信号を学習させる手法を提案する。このエージェントは報酬整形（reward shaping）を通じて安全制約を自律的に遵守しながら学習を進める。
研究チームはQuanser Aero 2テストベッド上で提案手法を評価した。評価には10個の独立した訓練シードを用い、異なる初期化条件下での安定性を検証している。その結果、包括的なエージェントは同定対象である3つのパラメータすべてにおいて競争力のある推定精度を達成し、古典的ベースライン手法を上回る性能を示した。さらに重要な点として、高い同定精度を追求しながらも安全違反はわずか0.75%にとどまり、報酬整形が学習過程を安全境界内に誘導する有効な手段であることが示された。
本研究の中心的な貢献は、実験設計問題を強化学習タスクとして定式化した点にある。エージェントは環境との相互作用から直接、情報量の多い励起信号の生成方法を学習するため、専門家による手作業の信号設計を必要としない。このアプローチは、システム同定における領域知識への依存を減らし、異なるハードウェアプラットフォームへの移行可能性を高めることが期待される。著者らは要旨の中で、古典的手法が手作業の信号設計を必要とするために汎用性が制限されると指摘し、強化学習によるアプローチが情報量と安全性のトレードオフを自動的に調整できることを示している。
本論文はDEXA AI4IP 2026に採択されており、ロボティクス（cs.RO）と機械学習（cs.LG）の交叉領域に分類されている。2026年5月19日にarXivへ投稿され、識別子はarXiv:2606.00059v1、全文は16 KBである。要旨ではネットワーク構造や報酬関数の具体形、訓練ハイパーパラメータなどの詳細は明らかにされていないが、実機テストベッドでの実験結果は、メカトロニクスシステム同定の実験設計における強化学習の実用可能性を示している。今後の課題として、より複雑なシステムやパラメータ間の結合、異なる安全制約の下での汎化性能の検証が考えられる。