水中ロボット/計画・制御2026/8/9arXiv:2608.08871v1

閉鎖環境における水中ビークル・マニピュレータシステムの階層的トポロジー認識計画と制御

Hierarchical Topology-Aware Planning and Control of Underwater Vehicle-Manipulator Systems in Confined Environments

水中ロボットアーム（UVMS）が狭く障害物の多い環境で作業するための、3層の階層的計画・制御フレームワークを提案。通路の接続性、操作可能性、実行の安定性を考慮し、シミュレーションで高い成功率を達成した。

詳しい要約

1. どんなもの？

本論文は、閉塞・散乱・部分的に未知な環境での水中ビークル・マニピュレータシステム（UVMS）による自律介入を扱う。提案手法MANTAは、通路到達可能性、操作実現可能性、閉ループ実行を結合する3層の階層的計画・制御フレームワークである。第1層は保守的な縮小ベース空間での大域的接続性推論によりタスク領域への通過可能な通路候補を抽出し、第2層は各候補通路に対してベース運動とアーム軌道を同時最適化して衝突回避のベース・アーム軌道を生成し、第3層はMC-PILCOによるガウス過程モデルベース強化学習（MBRL）で到達・保持ベースポリシーを学習し、軌道追従と計画操作状態での定点保持を実現する。実行中はマップ更新を監視し、アクティブな通路が実行不能になった場合に回復と経路修復をトリガーする。

2. 先行研究と比べてどこがすごい？

従来のUVMS計画は、高次元の全状態空間でのサンプリングベース手法が多く、狭隘環境での機動性の低さや不確実な実行を考慮せず、回復不能領域への進入リスクがあった。MANTAは、縮小ベース空間での接続性推論により通路候補を抽出し、ベースとアームの結合最適化と学習ベースの閉ループ制御を組み合わせることで、タスク成功率を高めつつクリアランスマージンを大きくし、アーム動作を低減する。また、MBRLによりデータ効率の高いポリシー学習を実現し、不確実な実行に対処する点が新しい。

3. 技術・手法の肝は？

手法の肝は3層の階層構造にある。第1層では、保守的な縮小ベース空間（reduced base space）で大域的接続性推論を行い、タスク領域への通過可能な通路候補を抽出する。第2層では、各候補通路に対して連続ベース運動とアーム軌道を同時最適化し、衝突回避のベース・アーム軌道を生成する。第3層では、MC-PILCOを用いたガウス過程モデルベース強化学習（MBRL）により、到達・保持ベースポリシーを学習し、軌道追従と定点保持を実現する。実行中はマップ更新を監視し、通路が実行不能になった場合に回復と経路修復をトリガーする。

4. どうやって有効だと検証した？

閉塞環境でのUVMS計画と閉ループ追従実験で評価した。120のマッチング計画クエリにおいて、全状態サンプリングベースのベースラインと比較して高いタスク成功率を達成し、より大きなクリアランスマージンと低いアーム動作を実現した。学習したMC-PILCOポリシーは、訓練時と未見のチューブ状参照の両方で位置とヨー追従誤差を低減した。

5. 議論はある？

要旨からは、提案手法の限界や前提条件（例えば、環境の部分既知性の程度、動的障害物への対応、計算コスト、実機実験の有無など）についての議論は不明である。また、ベースラインとの比較は計画クエリのみで、実行時の比較や実環境での検証が不足している可能性がある。

6. 次に読むべき論文は？

要旨で参照されている関連手法として、MC-PILCO（ガウス過程モデルベース強化学習）が挙げられる。また、UVMSの計画・制御に関するサンプリングベース手法（例：RRT、PRM）や、水中介入のための階層的計画手法が関連する。具体的な論文名は要旨にないため、同分野の定番として、サンプリングベースモーションプランニング（RRT*など）やモデルベース強化学習（PILCO）を挙げる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Mohamed Abdelwahab, Ruggero Carli, Damiano Varagnolo, Alberto Dalla Libera

分類: cs.RO, eess.SY

原文アブストラクト

This paper addresses autonomous intervention with an underwater vehicle--manipulator system (UVMS) in confined, cluttered, and partially known environments, where poor maneuverability, narrow passages, and uncertain execution may cause the robot to enter unrecoverable regions. We propose MANTA, a three-layer hierarchical planning-and-control framework that couples passage accessibility, manipulation feasibility, and closed-loop execution. The first layer performs global connectivity reasoning in a conservative reduced base space to extract traversable corridor candidates toward the task region. The second layer refines each candidate corridor by jointly optimizing the continuous base motion and arm trajectory, producing a collision-free base--arm trajectory. The third layer learns a reach-and-hold base policy using Gaussian-process model-based reinforcement learning (MBRL) through MC-PILCO, enabling trajectory tracking and station keeping at the planned manipulation state. During execution, the framework monitors map updates and can trigger recovery and route repair when the active passage becomes infeasible. MANTA is evaluated in confined UVMS planning and closed-loop tracking experiments. Across 120 matched planning queries, it achieves higher task success than full-state sampling-based baselines while producing larger clearance margins and lower arm motion. The learned MC-PILCO policy further reduces position and yaw tracking errors on both training and unseen tube-like references. These results show MANTA as a structured and data-efficient framework for safe autonomous underwater intervention in caves, tubes, and cluttered subsea structures.

arXivで原文を読む →arXiv概要ページ

← 論文一覧