6自由度パイプライン追従ROVの強化学習と古典制御を統合する動力学フレームワーク（NVIDIA Isaac Sim上での検証）

本論文は、6自由度ROV（BlueROV2-Heavy）のpipeline-tracking制御のための統合ダイナミクスフレームワークを提案する。 - 単一のUSDシーンから質量・付加質量・減衰・浮力・スラスタパラメータを取得し、NumPy版Fossen方程式とNVIDIA Isaac SimのPhysX力適用の両方で同一方程式を使用。 - 5つのRLアルゴリズム（PPO, SAC, TD3, DDPG, TRPO）と6つの古典制御（PID, sliding-mode, fuzzy, feedback linearization, MPC, ANFIS）を同一のguidance geometryとthruster allocationで比較。 - Coriolis-centripetal項を含めるアブレーションを実施。

従来の水中ビークルRL制御は、訓練時と展開時で異なる物理表現を用いることが多く、報告性能が訓練外の挙動を表さない問題があった。 - 本研究は単一USDシーンから両ブランチ（NumPyとIsaac Sim）に同一パラメータを供給し、訓練と展開の物理的一貫性を実現。 - checkpoint-compatibility layerにより、任意のポリシーを同一コードで評価可能。 - Coriolis項を含めてもPPO/TRPOの安定性を損なわず、TRPOでstandoff RMS誤差が約19%改善することを示した。

技術の肝は、単一USDシーンを介した物理パラメータの共有と、Fossenの海洋ビークル方程式をNumPyとIsaac Simの両方で同一に適用する点。 - Coriolis-centripetal項を主要ダイナミクスモデルとして両ブランチで使用。 - ベクトル化NumPy実装とIsaac SimのPhysX力適用を同期。 - 同一のguidance geometryとthruster allocationをRLと古典制御の両方に適用。 - checkpoint-compatibility layerで異なるRLアルゴリズムのポリシーを同一評価ハーネスでスコアリング。

5つのRLアルゴリズム（PPO, SAC, TD3, DDPG, TRPO）を同一環境・報酬・ランダム化評価ハーネスで訓練・評価。 - Coriolis項の有無によるアブレーションをPPOとTRPOで実施。 - 6つの古典制御ベースライン（PID, sliding-mode, fuzzy, feedback linearization, MPC, ANFIS）と比較。 - Coriolis有効下でPPO, TRPO, feedback linearizationが100%成功と競争的な精度を達成。PID, fuzzy, ANFISも100%成功だが追従精度は緩い。DDPGとTD3は特定の失敗モードを示した。

Coriolis項を含めてもPPO/TRPOの安定性は損なわれず、TRPOで約19%のstandoff RMS誤差改善。 - DDPGとTD3の失敗はoff-policy学習一般の弱点ではなく、説明可能な特定の失敗モード。 - 古典制御は最良の学習ポリシーに対する強いベースラインであり続ける。 - その他の議論や限界については要旨からは不明。

要旨で参照/比較されている研究や関連手法：Fossen's marine-craft equations、PPO、TRPO、soft actor-critic、TD3、DDPG、PID、sliding-mode、fuzzy logic、feedback linearization、model predictive control、adaptive neuro-fuzzy inference system。 - これらを基に、水中ビークルRL制御や古典制御の比較研究、Isaac Simを用いたロボティクスシミュレーション論文を次に読むべき。