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

要約

本論文では、腱駆動連続体ロボットの形状推定と形状を考慮した全身制御ポリシーを学習するための新しい相乗的なフレームワークを紹介する。本アプローチでは、2つの拡張ニューラル常微分方程式(ANODE)-Shape-NODEとControl-NODE-間の相互作用を利用し、連続的な形状推定と形状認識制御を実現する。Shape-NODEは、Cosseratロッド理論からの事前知識を統合し、モデルのミスマッチに適応し、考慮することを可能にする。一方、Control-NODEは、モデル予測制御（MPC）方式で学習された全身制御ポリシーを最適化するために、この形状情報を使用する。この統一されたフレームワークは、形状認識能力の低さや複雑な非線形ダイナミクスを捉える上での課題など、既存のデータ駆動型手法の限界を効果的に克服している。シミュレーションと実環境の両方における広範な評価により、形状推定、軌道追跡、障害物回避におけるフレームワークの頑健な性能が実証された。提案手法は、特に追跡精度と汎化能力において、最先端のend-to-end、Neural-ODE、リカレントニューラルネットワーク（RNN）モデルを常に凌駕する。

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, DeepL