リハビリテーションロボット/強化学習/制御2026/8/27arXiv:2608.26739

外乱とパラメータ不確かさ下におけるケーブル駆動下肢リハビリロボットのための残差深層強化学習に基づく計算トルク制御

Residual Deep Reinforcement Learning-Based Computed Torque Control for a Cable-Driven Lower-Limb Rehabilitation Robot under Disturbances and Parametric Uncertainties

シェア:X Threads Facebook LINE はてブ Bluesky

ケーブル駆動下肢リハビリロボットの軌道追従精度を向上させるため、モデルベースの計算トルク制御に深層強化学習による補償トルクを追加する残差制御手法を提案し、シミュレーションで外乱や不確かさに対する頑健性を検証した。

詳しい要約

1. どんなもの？

本研究は、ケーブル駆動の下肢リハビリテーションロボットの軌道追従精度を向上させるため、残差深層強化学習（residual deep reinforcement learning）を組み込んだ計算トルク制御（computed torque control）フレームワークを提案している。計算トルク制御が基本指令を生成し、有界なDeep Deterministic Policy Gradient（DDPG）ポリシーが追加の補償トルクのみを供給する。

2. 先行研究と比べてどこがすごい？

従来のモデルベース制御は解釈可能な構造を持つがモデル誤差に敏感であり、完全な学習ベース制御は透明性を低下させ制約対応が複雑になる。提案手法は、モデルベースの解釈可能性を維持しつつ、残差学習により外乱やパラメータ不確かさに対するロバスト性を向上させる点が新しい。

3. 技術・手法の肝は？

手法の核心は、計算トルク制御（CTC）が基本指令を生成し、DDPGポリシーが追加の補償トルクを生成する残差アーキテクチャである。ポリシーは有界な出力を持ち、CTCの構造を保ちながら補償を行う。これにより、モデル不確かさや外乱に対応しつつ、制約（関節限界、ケーブル要求、作業空間、ケーブルヤコビアン）を考慮する。

4. どうやって有効だと検証した？

シミュレーションで、公称条件、不確かさ、外乱、複合、一般化の各条件下で評価した。軌道追従、関節限界、ケーブル要求、作業空間実現可能性、ケーブルヤコビアンの診断を行い、残差制御がCTCと比較して追従性能と外乱抑制を向上させ、報告された実現可能性チェックを満たすことを示した。

5. 議論はある？

要旨からは、提案手法は代表的な評価で有効性を示すが、より広範なテストでは軌道依存の制約限界が明らかになることが示唆されている。また、シミュレーションに基づく検証であり、実験的検証が今後の課題である。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、同分野の定番として、ケーブル駆動ロボットの制御に関する研究や、深層強化学習を用いたロボット制御の研究が挙げられる。具体的には、computed torque controlの基礎論文や、DDPGの元論文、ケーブル駆動ロボットの制御に関するサーベイ論文などが考えられる。

※ 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: Mohammad-Hossein Fakouri, Ali Keymasi-Khalaji

分類: cs.RO, eess.SY

原文アブストラクト

Accurate trajectory tracking in cable-driven lower-limb rehabilitation robots is challenging because model uncertainty, external disturbances, joint constraints, and pull-only cable actuation can degrade nominal control performance. Conventional model-based controllers provide an interpretable control structure but remain sensitive to model mismatch, whereas fully learning-based control can reduce transparency and complicate constraint-aware operation. This study proposes a residual deep reinforcement learning-enhanced computed torque control framework in which computed torque control generates the nominal command and a bounded Deep Deterministic Policy Gradient policy supplies only an additional compensating torque. The approach is evaluated in simulation under nominal, uncertain, disturbed, combined, and generalization conditions, together with trajectory-tracking, joint-limit, cable-demand, workspace-feasibility, and cable-Jacobian diagnostics. Across the evaluated conditions, the residual controller improves tracking and disturbance rejection relative to computed torque control while preserving the interpretable model-based command structure and satisfying the reported feasibility checks in the representative evaluation. Broader tests indicate that tracking improvements can persist beyond the representative case while also exposing trajectory-dependent constraint limitations. These results support bounded residual learning as a practical robustness-enhancement strategy for simulation-based rehabilitation robot control and motivate further constraint-aware and experimental validation.

arXivで原文を読む →arXiv概要ページ

← 論文一覧