DittoGym、形状変化するソフトロボットの制御を学習するRLベンチマークを発表

何が起きたか

arXivに2024年1月24日付で公開された論文（ID: 2401.13231v3）において、研究チームは再構成可能なソフトロボットの制御を強化学習（RL）問題として定式化し、形態変化・移動・環境相互作用を同一の行動空間に統合する手法を提案した。さらに、微細な形態変化を必要とするタスクを評価するための包括的なRLベンチマーク「DittoGym」を導入し、提案する粗密カリキュラム（coarse-to-fine curriculum）を用いたアルゴリズムを評価した。その結果、ロボットが一連の動作中に複数回形態を変えることを学習できることを実証した。

詳細

ロボットの形態を学習済みポリシーとともに最適化する「ロボット共同設計（robot co-design）」は、新興の研究分野であり、特にソフトロボットにとって有望とされる。ソフトロボットは、学習された形態やアクチュエータを実現できる新しい製造技術に適しているためである。本研究では、自然界や最近のロボット設計に触発され、寿命内で形態を変えることができる「再構成可能ロボット」を探求する。 提案手法では、形態変化、移動、環境相互作用を同じ行動空間に統合し、適切な粗密カリキュラムを導入することで、結果として得られるロボットの微細な制御を達成するポリシーを発見できるようにした。DittoGymは、微細な形態変化を必要とするタスクを含む包括的なRLベンチマークであり、提案アルゴリズムの有効性を示すために使用された。追加の結果は、プロジェクトページ（https://suninghuang19.github.io/dittogym_page/）で公開されている。

Key Facts

なぜ重要か

この研究は、ソフトロボットの形態を動作中に変更するという新しいパラダイムを提案し、強化学習を用いてその制御を実現する点で重要である。DittoGymは、再構成可能なソフトロボットの研究を促進する標準的な評価基盤を提供する可能性がある。