腱駆動剛軟指の解像度一貫ヤコビ場を学習するJacobian Flow Matching、スパースサンプリングで誤差分散24.87%減
本論文はプレプリントとして公開された。腱駆動剛軟指の非線形な動作を離散制御でも安定して予測するため、Conditional Flow Matchingに基づくJacobian Flow Matching（JFM）を提案した。単段予測ではグローバル平均RMSEをベースライン比で53%以上削減し、スパースサンプリング（ストライド8）のODE積分ではRMSE中央値を14.43%、誤差分散を24.87%改善して、剛軟結合システムのオフライン軌道最適化に使える局所モデルを提供した。
腱駆動剛軟結合指において、サンプリング周波数や制御更新周波数が変化しても一貫した精度で運動を予測できるヤコビ場を学習できるか、という問いに答えた。
腱駆動剛軟結合指は柔軟関節包や腱伝達に起因する強い非線形性、ヒステリシス、摩擦を持ち、同じサーボ位置変化でも指節姿勢によって運動増分が大きく変わる。従来の点ごとの局所ヤコビ近似はサンプリング周波数や制御更新周波数に敏感で、有限指令増分やスパースセンシングで精度が劣化する。既存の学習ベース手法も特定のステップサイズや指令の大きさに依存し、連続時間積分と整合しない問題があった。
従来はPCCモデル、Cosserat rod理論、有限要素法などの解析モデルと、データから点ごとのヤコビ行列や局所線形ダイナミクスを学習する手法があった。解析モデルは腱鞘摩擦やバックラッシュ、ヒステリシスを単純化するため実機制御での精度と汎化に限界があり、点ごとの学習モデルは中間状態を教師しないためODE積分時に精度が落ち、ステップサイズ変化に弱いという弱点があった。
JFMは、Conditional Flow Matchingに基づき、隣接観測フレーム間の正規化時間τにおける中間状態を最適輸送経路で生成し、その中間状態でヤコビ場を教師する。MSE損失に加え、同じ中間状態を始点条件と終点条件の両方から推定したヤコビが一致するよう促す双視点一貫性損失を導入した。これにより静的コンディショニングへの過度な依存を抑え、点ごと予測とODE積分の両方を単一ネットワークで実行できる。学習にはTinyTransformerとLSTMの2種類のバックボーンを用いた。
実機の生体模倣指（中指のみ、平面内屈曲伸展）で160本のテスト軌道を評価した。TinyTransformerバックボーンではJFMがグローバル平均RMSEをベースライン比57.27%削減、LSTMでは53.68%削減した。RMSE 0.015未満のサンプル割合は、TinyTransformerでJFM平均96.2%に対しベースライン77.9%、LSTMでは96.1%対78.8%だった。低誤差領域（RMSE 0.005未満）のピーク密度はベースラインの約1.4倍になった。ストライド8のオープンループ予測では、ODE推論が点ごと推論よりRMSE中央値を14.43%改善し、誤差分散を24.87%低減した。逆方向の単段最適化では全体RMSE 1.4151、平均誤差-0.2576度、標準偏差1.39を記録し、点ごと推論は1クエリあたり約3.5msだった。
本研究では中指のみ、平面内屈曲伸展に限定し、空間運動や多指協調への一般化は将来課題としている。閉ループ実時間制御への統合も未実施であり、オープンループ評価にとどまる。硬い停止時の指令ゼロへの急変では滑らかな減衰予測となり系統的偏差が生じた。また、提案フレームワークの他システムへの直接検証は行われておらず、コード公開の有無も論文では報告されていない。プレプリントであり査読済みかは確認できない。
剛軟結合ハンドや腱駆動義手、ソフトロボットハンドを開発する企業は、収集した動作データからJFMを学習し、オフラインの軌道最適化や逆運動学の局所モデルとして現在利用できる可能性がある。ただし実時間制御への適用にはODE推論の高速化とモデル蒸留、多指や空間運動への拡張、閉ループ検証が必要で、1年から3年程度の時間軸で実用化が進むとみられる。3年以上では、素材や指構造が異なる複数ハンドへの一般化検証が条件となる。
この論文はライセンス上、全文を転載できないため、要約と原文へのリンクのみを掲載しています。