要旨: 認知地図学習器（CML）は階層的で合成可能な機械学習を可能にすることが示されている。すなわち、独立に事前学習されたCMLモジュールを任意に組み合わせることで、タスク固有の再学習なしに、より複雑な問題を解くことができる。本研究では、このアプローチを多関節ロボットアームの運動制御に適用する。ここでは、各アーム区間の角度位置が、独立に学習されたCMLによって支配される。2次元のデカルト平面上で動作し、目標点は分数パワー符号化（FPE）に従って位相子（ファゾル）ハイパーベクトルとして符号化される。この位相子ハイパーベクトルは、その後、共鳴器ネットワークまたは最新のホップフィールドネットワークのいずれかを介して、アーム区間の一連の角度へと因数分解される。これらのアーム区間の角度は、その後、それぞれのアーム区間CMLへ入力され、逆運動学の方程式を用いることなくロボットアームを目標点へ再配置する。本研究は、アーム区間数が任意の2次元ロボットアームに対する一般解と、回転する単一のベースを持つ3次元アームに対する特定解の両方を提示する。
認知地図学習器によるロボットアーム制御
arXiv cs.RO / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ロボットアーム制御に対して、アーム各セグメントごとに独立してCMLモジュールを学習することで実現する認知地図学習器（CML）アプローチを提案する。
- 2次元平面上の目標位置は、分数乗エンコード（FPE）を用いてフェイザー・ハイパーベクトルとして符号化し、その後、共鳴器ネットワークまたは現代的ホップフィールドネットワークのいずれかによって関節角へ因数分解する。
- 得られたセグメント角を用いて各セグメントのCMLを駆動し、逆運動学の方程式に依存せずにアームを目標点へ移動させる。
- 本手法は、多セグメントの2Dアームに対する汎用的な解として提示されており、回転ベースを備えた3Dアームの具体例も含む。
- 主要な新規性は合成可能性（compositionality）であり、階層的に学習されたCMLモジュールを組み合わせることで、タスク固有の再学習を行うことなく、より複雑な課題に対応できる。
