核心概念
物理的事前知識を活用することで、データ効率性、説明可能性、安全性を向上させることができる。
要約
本論文では、実際のロボットシステムに基づいたペイロード操作問題を例に、物理的事前知識をモデル予測制御(MPC)に組み込むことの利点を示している。
まず、短期の探索フェーズでボックスの質量分布を推定する。この推定値を使って、重心位置や慣性モーメントなどの物理量を計算し、MPCの制御入力の評価に活用する。
この手法は以下の利点がある:
データ効率性: 黒箱モデルに比べ、大幅に少ないデータで学習できる。
説明可能性: 物理的に意味のある量を使って制御を行うため、決定過程が解釈しやすい。
安全性: 危険な質量分布を事前に検知し、操作を中止できる。
実験では、提案手法と黒箱モデルベースのMPCを比較した。提案手法は、データ効率性、一般化性、安全性の面で優れた結果を示した。一方で、物理量の推定精度に依存するため、その精度向上が今後の課題となる。
統計
ボックスの重心位置rgeomと、左右のコンベアベルトの位置P1y、P2yの差の2乗が最小になるように制御を行う。
ボックスの質量分布が偏っている場合、この差が大きくなり危険な状態になる。