要旨: 正確なダイナミクスモデルは、自律移動ロボットのための予測型コントローラ設計にとって重要です。物理ベースのモデルは、関連する現実世界の効果を捉えるにはあまりにも単純であることが多く、一方でデータ駆動モデルはデータ集約的で学習が遅くなります。そこで本稿では、オフライン学習と効率的なオンライン更新を組み合わせることで、ニューラルロボット動力学モデルを高速に適応させるためのアプローチを提案します。本アプローチは、増分型のニューラル動力学モデルをオフラインで学習し、オンラインでは低ランクの2次（セカンドオーダー）パラメータ適応を行うことで、完全な再学習を行わずに迅速な更新を可能にします。実機のクアッドローターロボットで本手法を検証し、新しい運用条件において頑健な予測トラッキング制御を実現します。
予測制御のためにオンザフライでニューラルロボットダイナミクスを適応させる
arXiv cs.RO / 2026/4/7
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、自律移動ロボットに対する予測制御は正確なダイナミクスモデルに大きく依存しており、純粋に物理ベースまたは純粋にデータ駆動のモデルにはそれぞれ重要な限界があると論じている。
- そこで、ニューラルダイナミクスモデルを段階的にオフラインで学習し、その後、低ランクの2階オーダー（second-order）パラメータ更新によってオンラインで適応させるハイブリッド手法を提案する。
- 低ランクの2階オーダーによるオンライン適応は、変化する現実環境に対して反応しつつ、遅い、または高コストな全再学習を回避することを目的としている。
- 実機のクアドロトーターでの実験により、ロボットが未知の条件で運用される際の予測トラッキング制御においてロバスト性が向上することが示されている。
- 全体として、本研究は、未モデルのダイナミクスが存在するような実運用環境において予測コントローラをより信頼できるものにするために、オンザフライでモデル更新をより高速に行うことを目指している。
