|
多自由度身体系の振る舞いは一般的に多くの自由度の相互作用により非常に複雑であり、この複雑さがモデル予測制御やモデルベースド強化学習のロボットへの適用を困難にしていたと考えられる。本研究では容易なロボットの運動予測を可能にする予測プリミティブの枠組みならびに方法論の構築を試みた。
当初、Physical reservoir computingなどの方法論からのアプローチを試みていたが計画を一部変更し、スパイキングニューロンが有する身体・環境ダイナミクスの自己組織化能力に着目し、スパイキングニューロンが有する、系全体の複雑性減少能力、運動の周期性向上能力、不安定点の制御安定化能力などが向上しえる事を発見した。これらの発見をもとに、様々な系にスパイキングニューロンによる制御実験を試みた。筋骨格系における二脚歩行研究では、床面摩擦係数や外力による外乱などの劇的な変化における転倒回避能力、新しい最適歩容への遷移能力などが向上する事を発見した。ロボットアームによる倒立振子制御などの不安定制御においては運動系列の予測可能性ならびに制御パラメーター自体へのロバスト性が高まりえる事を確認した。また、膨大な筋群を有する胎児/乳幼児のシミュレーションに適用しデータ収集を行い、四肢の運動の独立性が高まりえる可能性を発見した。
これらにより、スパイキングニューロンによって系を駆動する事によって系全体が取れる状態が限定され、系の予測を可能とするための核のようなものが自己組織的に構築されうる可能性が示唆されたと思われる。
|
