研究概要
滑りを伴うクローラロボットの速度推定ニューラルネットワークの学習方針と環境に対するロバスト性を検討した。提案手法では、滑り情報を含む駆動軸への推定外乱がニューラルネットワークの入力として用いられ、その結果速度が推定される。まず、トレーニングと推定の異なる環境条件下で提案された方法の適用範囲と有効性を実験的に明らかにした。その後、推定された外乱が環境変化に対してロバストであり、環境情報を補完することを実験的に示している。最後に、平坦な表面でトレーニングされたニューラルネットワークを、傾斜を登るための加速に対する重力補償と組み合わせて検証した。
以上の検討により、学習時と異なる路面環境（材質、角度）においても提案手法の適用できる範囲を明確にしている。
Hiroaki Kuwahara, Toshiyuki Murakami, “Experimental study of tracked vehicle velocity using estimated disturbance and machine learning for application to environments different from those in training,” IEEJ Journal of Industry Applications, vol. 13, no. 2, pp. 146-154, 2024. 【A peer-reviewed paper】