拘束を考慮した物理情報ニューラルネットワークによる協調操作型連続体ロボットの静的形状推定

本論文は、腱駆動型のco-manipulative continuum robot (CCR)の静的形状推定を、constraint-aware physics-informed neural network (PINN)を用いて行う手法を提案している。CCRは連続体アームと操作対象の柔軟物が閉ループを形成し、静力学的平衡と幾何学的閉ループ制約の両方を満たす必要がある。提案手法は、geometric variable strain formulationに基づき、projected static equilibrium residualとconfiguration-level geometric residualを損失関数に組み込むことで、物理的整合性と閉ループ幾何を強制する。

従来のデータ駆動型のartificial neural network (ANN)は、物理的制約を考慮せず、限られたノイズの多いデータでは精度が低下する。また、反復的非線形ソルバーは高精度だが計算コストが高い。提案手法は、PINNにより物理法則を損失に組み込むことで、少ないデータでも物理的に整合性のある推定を実現し、かつ高速な推論を可能にする点が優れている。

手法の核は、PINNの損失関数に、projected static equilibrium residual（静力学的平衡残差を射影したもの）とconfiguration-level geometric residual（閉ループ幾何制約の残差）を追加すること。これにより、ネットワークはデータだけでなく物理的制約も学習する。モデルはgeometric variable strain formulationに基づき、腱駆動CCRの静的平衡を表現する。

シミュレーションと実験の両方で検証。シミュレーションでは、140サンプルで50%のラベルノイズがある場合、PINNは純粋なANNと比較して、相対構成誤差、平衡残差、閉ループ残差をそれぞれ67.88%、67.35%、88.06%削減。フルデータセットでは、相対構成誤差0.1597%、推論時間0.1773ms（反復ソルバーは17.97s）。実験では、ファインチューニングによりマーカーRMSEが2.657mmから0.497mmに減少し、R2が-0.788から0.937に向上。

要旨からは、提案手法の限界や今後の課題についての議論は不明。ただし、実験でのファインチューニングが必要であることや、シミュレーションと実験のギャップが示唆される。また、PINNの収束性やハイパーパラメータ調整の難しさなどが潜在的な課題として考えられるが、要旨には明記されていない。

要旨で参照されている関連研究として、geometric variable strain formulationを用いたcontinuum robotのモデリング、PINNの応用、およびco-manipulative continuum robotの制御や推定に関する論文が挙げられる。具体的には、Cosserat rod theoryに基づくcontinuum robotの静的モデルや、PINNを用いた物理情報に基づく推定手法の研究が関連する。