|
脳に学んだ計算原理に基づいて自己や他者の動作データから身体や外界の内部モデルを構築するロボット学習アルゴリズムの開発をおこなった。制御対象のモデルが既知（つまり計算機内に表現可能）であり、時間の制約がなくオフラインでの制御器の導出が許される場合は、モデル予測制御を用いたアプローチが多自由度ロボットの制御に有用である。しかし、実環境でのロボットのリアルタイム制御をおこなう場合においては、特に衝突や接触などの実環境を反映したモデルを計算機内に表現することがむずかしく、また制御周期内に制御器導出のための最適化計算が収まらないなどの問題があり、一般には逐次的に最適制御問題を解くアプローチのそのままの活用は容易ではない。本年度おいては、脳の階層的な制御システムを参考に、上位階層においてモデル予測制御により多様な動作目的にあわせた制御器を導出することを可能としながら、中間の階層においてモーションキャプチャした人の動作データからパターン生成器を構成、動作生成の探索範囲を誘導、下位階層においては短い制御周期での計算が可能な目標軌道追従制御を導入することを提案した。これによって、前年度まで開発した手法に比べ、上位階層での最適化のための計算時間を長く取ることができるようになり、ヒューマノイドロボットをはじめとする多自由度ロボットにおいてリアルタイムでより多様な動作生成が可能な方法論となった。下位階層での柔軟な関節制御の実現は実システムへの実装過程における接触・衝突の扱いの難しさを緩和する。学習試行を通じてその柔軟さを適応させながら、モデル予測制御に用いる内部モデルを更新するアルゴリズムの実装により、ヒューマノイドロボットモデルにおいて多様な動作生成を達成した。
|
