拡散方程式を用いた自律ロボットの感覚/運動マップの自己組織化

今までのロボットシステムはティーチングプレィバック方式や、プログラミング方式など、人間のきめ細かな作業計画と教示に頼っている。これとは対照的に、生物システムは自己組織化することによって、巧みな運動機能を自律的に獲得している。生体運動の多様性・柔軟性に注目するとき、まず驚くことは、身体の冗長な運動自由度を作業に応じて柔軟に使いこなせる点である。本研究では、ロボットの自律性の向上を目指して、生体の感覚/運動系の自己組織化機能に学び、冗長ロボットの感覚/運動マップを形成する新しい自己組織化方式を提案した。この方式は拡散方程式を用いて、より少ない試行動作でかつ各ニューロン間の局所的な相互作用で、感覚/運動マップを学習できるという利点を持っている。また、形成されたマップの数理的な性質についても調べ、実際のロボットに応用する場合の有効範囲、存在する問題点などを検討した。その結果、以下のような成果を得た.[1]:生体の自己組織化現象に関する従来視覚や聴覚などの研究実験結果、また数理的な考察を参照にして,拡散方程式をロボットの感覚/運動マップの自己組織化に応用する方式を提案し、また、できたマップの性質と問題点を明確にした。[2]:上で得た自己組織化アルゴリズムを、いろいろな形を持つロボットを想定して、計算機上でシミュレーションによる確認を行った。具体的には、平面3リンクのマニピュレータによるシュミレーションを行い、ロボットの初期姿勢条件および境界条件がマップの形成に与える影響について検討した。

今までのロボットシステムはティーチングプレィバック方式や、プログラミング方式など、人間のきめ細かな作業計画と教示に頼っている。これとは対照的に、生物システムは自己組織化することによって、巧みな運動機能を自律的に獲得している。生体運動の多様性・柔軟性に注目するとき、まず驚くことは、身体の冗長な運動自由度を作業に応じて柔軟に使いこなせる点である。本研究では、ロボットの自律性の向上を目指して、生体の感覚/運動系の自己組織化機能に学び、冗長ロボットの感覚/運動マップを形成する新しい自己組織化方式を提案した。この方式は拡散方程式を用いて、より少ない試行動作でかつ各ニューロン間の局所的な相互作用で、感覚/運動マップを学習できるという利点を持っている。また、形成されたマップの数理的な性質についても調べ、実際のロボットに応用する場合の有効範囲、存在する問題点などを検討した。その結果、以下のような成果を得た.[1]:生体の自己組織化現象に関する従来視覚や聴覚などの研究実験結果、また数理的な考察を参照にして,拡散方程式をロボットの感覚/運動マップの自己組織化に応用する方式を提案し、また、できたマップの性質と問題点を明確にした。[2]:上で得た自己組織化アルゴリズムを、いろいろな形を持つロボットを想定して、計算機上でシミュレーションによる確認を行った。具体的には、平面3リンクのマニピュレータによるシュミレーションを行い、ロボットの初期姿勢条件および境界条件がマップの形成に与える影響について検討した。