A Synergistic Framework for Learning Shape Estimation and Shape-Aware Whole-Body Control Policy for Continuum Robots

要約

この論文では、形状の推定を学習するための新しい相乗的フレームワークと、腱駆動型の連続体ロボットの形状に対応する全身制御ポリシーを紹介します。
私たちのアプローチは、連続形状推定と形状認識制御を実現するために、2つの拡張された神経通常の微分方程式（アノード）（形状ノードとコントロールノード）の相互作用を活用します。
Shape-NodeはCosserat Rod理論からの事前知識を統合し、モデルの不一致を適応して説明できるようにしますが、コントロールノードはこの形状情報を使用して、モデル予測制御（MPC）ファッションで訓練された全身制御ポリシーを最適化します。
。
この統一されたフレームワークは、貧弱な形状の認識や複雑な非線形ダイナミクスをキャプチャする際の課題など、既存のデータ駆動型メソッドの制限を効果的に克服します。
シミュレーションと現実世界の両方の環境での広範な評価は、形状推定、軌跡追跡、障害物の回避におけるフレームワークの堅牢なパフォーマンスを示しています。
提案された方法は、特に追跡精度と一般化能力の観点から、最先端のエンドツーエンド、ニューラル、および再発性ニューラルネットワーク（RNN）モデルよりも一貫して優れています。

要約(オリジナル)

In this paper, we present a novel synergistic framework for learning shape estimation and a shape-aware whole-body control policy for tendon-driven continuum robots. Our approach leverages the interaction between two Augmented Neural Ordinary Differential Equations (ANODEs) — the Shape-NODE and Control-NODE — to achieve continuous shape estimation and shape-aware control. The Shape-NODE integrates prior knowledge from Cosserat rod theory, allowing it to adapt and account for model mismatches, while the Control-NODE uses this shape information to optimize a whole-body control policy, trained in a Model Predictive Control (MPC) fashion. This unified framework effectively overcomes limitations of existing data-driven methods, such as poor shape awareness and challenges in capturing complex nonlinear dynamics. Extensive evaluations in both simulation and real-world environments demonstrate the framework’s robust performance in shape estimation, trajectory tracking, and obstacle avoidance. The proposed method consistently outperforms state-of-the-art end-to-end, Neural-ODE, and Recurrent Neural Network (RNN) models, particularly in terms of tracking accuracy and generalization capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google