HALO：ハイブリッド自己符号化運動学習と、学習された潜在ダイナミクス、ポアンカレ写像、誘引領域

Abstract

削減次数モデルは，高次元の動的システムを解析し制御するために強力です．しかし，脚型ロボットのような複雑なハイブリッドシステムに対して，これらのモデルを構築することは依然として困難です．従来のアプローチは手設計のテンプレートモデル（例：LIP，SLIP）に依存しており，それらは洞察を与えるものの，基となるダイナミクスを概近似するにとどまります．これに対して，データ駆動型の手法はより正確な低次元表現を抽出できますが，潜在空間で観測される安定性や安全性の性質が，それを意味のある形で高次（フルオーダー）システムへとどの程度転移できるのかは依然として不明です．このギャップを埋めるために，本研究ではHALO（Hybrid Auto-encoded Locomotion）を導入します．これは，軌道データから周期的なハイブリッドダイナミクスの潜在削減次数モデルを直接学習するための枠組みです．HALOはオートエンコーダを用いて，ステップ間のロコモーションのダイナミクスを捉える学習済みの潜在ポアンカレ写像とともに，低次元の潜在状態を同定します．これにより，ライプノフ解析と，潜在空間における関連する引き込み領域（region of attraction）の構築が可能になり，これらはいずれもデコーダを通じて高次元の状態空間へと持ち上げる（リフトする）ことができます．模擬ホッピングロボットおよび全身ヒューマノイドのロコモーションに関する実験により，HALOは意味のある安定性構造を保持し，フルオーダーの引き込み領域境界を予測できる低次元モデルをもたらすことが示されます．