Presentation Information
[N-1-28]Control of an Artificial Muscle System Using Reservoir Computing
◎△Hirotaka Kasai1, Toshihide Takahata1, Kaito Fujitani1, Yasushi Hotta1 (1. University of Hyogo)
Keywords:
Reservoir Computing,Artificial Muscle,Control
近年，実世界とAIを融合させるPhysical AI (PAI)が注目を集めている。本研究では，「情報処理を担うAIモデルが生体システム（脳）に由来するのであれば，その入力や出力側のハードウェア（筋肉）も生体システム由来の原理を導入すべきである」という思想を出発点として，生体筋の構造を模倣したアクチュエータを独自に開発し，それを時系列動作信号と親和性の高いリザバーコンピューティング（RC）によって制御する人工筋肉アクチュエータシステムを提案する。
本研究では，サルコメアとよばれる微小な収縮ユニットを模した単体アクチュエータを10個連結した人工筋肉モデルを用いた。RCは入力層・リザバー層・リードアウト層で構成され，リザバー層のノードにはLIFニューロン（N=1000）を採用した。各LIFニューロンの発火出力は，二重指数関数型シナプスフィルタ（tr=2 ms，td=20 ms）と結合重みを通して次段へ伝達され，リードアウト層の重みを逐次最小二乗（RLS）法によって学習する。なお，入力層と出力層のノード数はそれぞれ1個と10個である。シミュレーションは時間ステップdt=0.1 msとし，計算開始後5 sのインターバルを経て5 s間の学習をおこなった後，リードアウト層の出力信号によって人工筋肉アクチュエータを制御した。入力信号および教師信号はともにsin波形（f(t)=5sin(2πt)+5）とし，性能評価には教師信号と出力信号の正規化平方平均二乗誤差（NRMSE）を用いた。
まず筋肉システムを用いないRCでの学習及び推論を行ったところ，NRMSEは0.5563となった。次に筋肉システムを導入したRCを動作させたところ，NRMSEは0.6078となった。以上より，提案のRC＋人工筋肉システムは，AIと物理世界を結びつける第一歩になると考えている。今後は，RCのハイパーパラメータの最適化を行い，動作応答性や学習速度の改善を目指す。また，ハードウェアとして構成される人工筋肉の制御を行う。
本研究では，サルコメアとよばれる微小な収縮ユニットを模した単体アクチュエータを10個連結した人工筋肉モデルを用いた。RCは入力層・リザバー層・リードアウト層で構成され，リザバー層のノードにはLIFニューロン（N=1000）を採用した。各LIFニューロンの発火出力は，二重指数関数型シナプスフィルタ（tr=2 ms，td=20 ms）と結合重みを通して次段へ伝達され，リードアウト層の重みを逐次最小二乗（RLS）法によって学習する。なお，入力層と出力層のノード数はそれぞれ1個と10個である。シミュレーションは時間ステップdt=0.1 msとし，計算開始後5 sのインターバルを経て5 s間の学習をおこなった後，リードアウト層の出力信号によって人工筋肉アクチュエータを制御した。入力信号および教師信号はともにsin波形（f(t)=5sin(2πt)+5）とし，性能評価には教師信号と出力信号の正規化平方平均二乗誤差（NRMSE）を用いた。
まず筋肉システムを用いないRCでの学習及び推論を行ったところ，NRMSEは0.5563となった。次に筋肉システムを導入したRCを動作させたところ，NRMSEは0.6078となった。以上より，提案のRC＋人工筋肉システムは，AIと物理世界を結びつける第一歩になると考えている。今後は，RCのハイパーパラメータの最適化を行い，動作応答性や学習速度の改善を目指す。また，ハードウェアとして構成される人工筋肉の制御を行う。