コンテンツにスキップ

bilateral制御の設計(FACTR 2)

一部だけ実装した設計案

このページは実装の手順をまとめた設計案です.§7の段階1〜5を実装し,模擬の試験を通しました.実機での動作は確かめていません.使える設定は 設定 の「力の逆送」にあります.段階6以降の設定key・command・node名(sensor,next,gripperの逆送など)は提案で,現行のroboloomでは使えません.

作成日:2026-10-27.調査対象は次のとおりです.codeは読んだだけで,実行していません.

対象 版
philiphan0109/factr2_next 0df02c5(2026-09-04)
FACTR teleop(初代,比較用) 7a07ab3
FACTR:Liu et al., Force-Attending Curriculum Training for Contact-Rich Policy Learning,RSS 2025,arXiv:2502.17432
FACTR 2:Oh, Liu, Tao, Han et al., arXiv:2606.12406 v2

1.採用する方式

bilateral制御には,主に二つの方式があります.

方式 follower leaderへ返すもの 必要なもの
力逆送型(FACTR / FACTR 2) 位置制御のまま.電流制限つき位置制御でもよい followerが外から受けた関節torqueの推定値 外力の推定(torque sensor,または電流から推定)
対称型(位置–位置,robopyの bilateral_joint) 電流制御.両側に同じPD結合を入れる 両者の位置差から出る結合torque 両腕の重力model,torque定数,follower側の電流制御

roboloomはFACTR 2の力逆送型を採用します.理由は次のとおりです.

  • followerは位置制御のまま使えます.このため,既存の FollowerSafety(範囲・速度・期限・変化量の検査とHOLD)がそのまま安全の仕組みとして働きます.
  • 返すのは外力だけです.followerの摩擦や慣性は操作者に伝わりません.
  • FACTR 2のNEXTは,torque sensorのない機体でもmotor電流から外力を推定します.DynamixelのRakuda2のような機体に適用できます.
  • 対称型を後で加えることも妨げません(§8).

2.FACTRの原理

leaderの制御則

leaderのmotorを電流(torque)制御で動かし,次の和を出します(論文Eq. 5).

τ = τ_feedback + τ_null + τ_grav + τ_friction + τ_limit
項 式(論文) 役割
力の逆送 τ_feedback = μ_f K_fp τ_ext − K_fd q̇(Eq. 1) followerの外力をleaderへ返す.K_fp はleaderとfollowerの最大torqueの比,μ_f は弱めるための係数,K_fd は接触時の振動を抑える減衰
gripper τ_h,t = α(−k_h I_g,t) + (1−α) τ_h,t−1,α = 0.1(Eq. 2) follower gripperの電流を,指で感じる力として返す.指数移動平均をかける
零空間 τ_null = (I − J⁺J)(−K_np (q − q_rest) − K_nd q̇)(Eq. 3) 冗長自由度(7軸の腕)を手先に力を出さずに休止姿勢へ寄せる
重力 RNEAで g(q) を計算(Eq. 4) 腕が落ちないようにする
摩擦 静止摩擦:低速時に符号を振動させるdither.動摩擦:μ_c sgn(q̇) + μ_v q̇(付録Eq. 7–8) 静止摩擦を切り,手で動かしやすくする
可動域 端に近づくと反発するpotential(付録Eq. 9–10) 可動域の端で押し返す

hardware:leaderはXC330-T288-TとXM430-W210-T(約1,230ドル),followerはFranka Pandaです.制御周期は500 Hzです.Frankaが出す外力推定 τ_ext をそのまま使います.

論文には安定性や受動性の解析はありません.安定化の手段は,減衰 K_fd,弱め係数 μ_f,gripperの平滑化だけです.

方策の学習

外力 τ_ext は,ACT方策の入力に1 tokenとして加えます.学習の初めは画像をぼかし,そのぼかしを徐々に弱めます(Force-Attending Curriculum).こうして,方策が力の入力を無視しないようにします.未知物体での平均成功率は,画像のみが21.3%,画像+力(curriculumなし)が61.2%,FACTRが87.5%です.

力のfeedbackありの遠隔操作は,なしに比べてtask完了率が+64.7%,完了時間が−37.4%でした.ただし,feedbackの有無で集めたdataから方策を学習して比べる実験はしていません.

3.FACTR 2とNEXTの原理

FACTR 2は,torque sensorのない機体にFACTRを広げます.中心はNEXT(Neural External Torque estimation)です.

τ̂_ext = τ_m − τ̂_free(x_{t−H+1..t}),  x_t = [q, q̇, q_cmd − q]
  • τ_m はmotor電流から求めたtorque(K·I)です.
  • τ̂_free は,接触していないときにmotorが出すtorqueの予測です.過去H = 50 stepの関節位置,速度,追従誤差から,LSTM(2層×128)で予測します.重力・摩擦・慣性・位置制御器の応答を,まとめて学習します.
  • 学習dataは,接触のない自由な動作を約10分記録したものです.学習は約1分,推論は100 Hzです.
  • 精度:接触時のFranka torque sensorとの誤差(L1)は0.547 Nmです.外乱observerは1.471 Nmでした.
  • 限界:modelは機体ごとに学習し直す必要があります.torqueの絶対値は K の精度に依存します.

leaderへの返し方(Eq. 8)は τ_feedback = K_fp τ̂_ext です.重力・摩擦・零空間の項はFACTRのまま使います.方策の学習は,FACTRのcurriculumからFIRSTに変わりました.FIRSTは,接触の前後を多く選ぶように学習dataを再標本化します.方策の入力には,電流そのままより τ̂_ext のほうがよい結果でした(NIST挿入で0.567対0.431).

4.factr2_nextの実装

factr2_nextはNEXTの公式実装です.Gello型のleaderでAgileX Piperを動かす遠隔操作のdemoも含みます.通信はすべてROS 2の JointState です.

部分 内容
leader XC330-T288-T ×7,4 Mbps,電流制御(Operating Mode 0).制御は500 Hz,follower への指令の送信は100 Hz
follower Piper(CAN).MIT mode(関節PD)で,指令を受けるたびに書き込む.補間・速度制限はない
外力推定 Piperの effort − LSTMの予測.速度は200 Hzの差分.推定値には指数移動平均(α = 0.2)をかける
接触判定 推定値のL1 normにhysteresis(2.0で接触,1.0で非接触)
返す力 gate · gains · τ_ext − damping · q̇ を ±max_torque に制限
gate 接触中かつ推定値が新しい(0.2 s以内)とき1,それ以外は0.500 Hzごとに ramp_alpha = 0.35で追従し,急に変えない

factr2_feedback.py:162-176 の該当部分です.

target_gate = 1.0 if self.contact and self._fresh() else 0.0
self.gate = (1.0 - self.ramp_alpha) * self.gate + self.ramp_alpha * target_gate
tau = self.gate * self.gains * self.tau_ext
tau -= self.damping * leader_joint_vel
tau = np.clip(tau, -self.max_torque, self.max_torque)

既定のgainは負です([-0.06, -0.08, -0.08, -0.03, -0.03, -0.02]).推定値は「motorが余分に出しているtorque」で,外力とは逆向きです.負のgainは,leaderに外力と同じ向きの力を返すためと読めます(推測).

注意すべき点:

  • 配布設定では,力の逆送,重力補償,ditherがいずれも無効です.有効なのは零空間とgripperのfeedbackだけです.
  • READMEによると,gate・ramp・平滑化は論文の実験では使っていません.
  • Piperは6軸で冗長ではありません.このため,零空間の項は固定の対角行列による弱い姿勢ばねになっています.
  • follower側には指令の期限がありません.leaderが止まると,最後の目標を保持し続けます.

5.roboloomにすでにあるもの

必要なもの roboloomの現状
leaderの電流制御と制御則の合成 JointDevice と制御則(free,position,spring,gravity_comp,impedance).groupごとに差し替えられる
重力補償 gravity_comp.計測した保持電流から同定した g(q)(mA)を使う.torque定数は不要
可動域 gravity_comp の範囲barrier(barrier_mA_per_count),逸走の検査(max_velocity,範囲外)
静止摩擦への対処 breakaway hold(hold_mA).FACTRのditherとは逆で,「置いた所に止まる」ための項
減衰 kd(mA/(count/s))
followerの状態 follower nodeの state に positions,velocities,currents_mA,実際に書いた目標 target(= q_cmd)がある
記録 record_effort: true で observation.effort(電流)を記録
followerの制御則 follower.yaml の control で,follower側にも制御則を使える(電流制限つき位置制御など).実機では未検証
安全 FollowerSafety,指令の期限,Bus Watchdog の検出,estop・release・quit で leader を脱力

足りないもの:

  1. 外力の推定(model残差,NEXT).
  2. followerからleaderへの戻りの経路.現在のleader nodeは session しか受け取りません.
  3. leader側の逆送の項(gate,ramp,期限,制限).
  4. gripperの力の逆送.
  5. 外力の記録と,推定器の学習用dataの記録.

Rakuda2の腕は片側6軸+gripperで冗長ではありません.このため,零空間の項は今回は扱いません.ditherは,breakaway holdと目的が逆なので,必要になったときに別の制御則として検討します.

6.設計

単位と符号

roboloomは関節の値をmotorの生の単位(count,mA)で扱います.重力modelもmAで同定し,torque定数を推定に含めます.逆送もこの方針に合わせます.

  • 推定器は,follower関節ごとに residual を出します.単位はfollowerの電流の単位(DynamixelならmA)です.
  • 定義は residual = 実測の電流 − 自由運動での予測電流 です.motorが外力に逆らって余分に出している分です.
  • 外力は −residual の向きにかかります.
  • leaderへの電流は次の式で求めます.sign はcontrollerの joints 対応にある符号です.
i_feedback[leader j] = − k_j · sign_j · residual[follower j]
  • k_j(leaderのmA / followerのmA)の目安は,FACTRの K_fp と同じく,leaderとfollowerの最大torqueの比に弱め係数をかけたものです.Rakuda2では,XC330とXM430/XM540のtorque定数の比が入ります.
  • torque_constant_Nm_per_A を関節ごとに設定した機体では,N·mでも表示します.Frankaのように外力をN·mで出す機体では,推定器の単位を Nm と宣言し,k_j の単位をmA/Nmにします.
  • 符号は,1関節ずつ実機で確かめます(§7 段階5).

dataflow

leader ──sample──► controller ──command──► follower ──state──► estimator
  ▲                    │  ▲                                  │
  └──── feedback ──────┘  └────────────── estimate ──────────┘
node 追加する入出力 役割
estimator(新しい役割 estimators) 入力 <follower>/state(最新1件),出力 estimate,status followerの状態から residual と接触の判定を出す.重い推論で follower nodeの周期を乱さないよう,別processにする
controller 入力 <estimator>/estimate(最新1件),出力 feedback follower関節の残差を joints の対応でleader関節へ写し,gain をかけ,期限をつけて送る.followerが ACTIVE でない,または整列前(following 以外)のときは0を送る
leader 入力 <controller>/feedback(最新1件) 制御則に逆送の項を足す.期限・gate・ramp・制限はleader側で毎周期かける
  • 関節の対応と符号は,controllerの joints だけに書きます.逆送用に別の対応表を作りません.
  • 逆送の指令は,followerへの指令と同じく,絶対時刻の期限を持ちます(make_command と同じ形).
  • 経路は循環します(leader → controller → follower → estimator → controller → leader).dora-rsのdataflowで循環する辺が使えることは,段階1で模擬で確かめました(controllerとfollowerの間にも,以前から循環があります).

設定の書き方

利用者は辺を書きません.今のroboloomと同じく,設定YAMLにはnodeを役割ごとに並べるだけです.runtime/flow.py が,各nodeの参照から辺を導きます.

# option bilateral を有効にした設定(config.yaml)のnode
inputs:
  leader: nodes/leader_bilateral.yaml        # type: rakuda_mini
controllers:
  controller: nodes/controller_bilateral.yaml
followers:
  follower: nodes/follower.yaml                     # type: rakuda2_follower
estimators:
  effort: nodes/effort.yaml                   # follower: follower

組み合わせは参照だけで決まります.

参照 書く場所 導かれる辺
input: leader,follower: follower controller leader/sample → controller,controller command → follower(今と同じ)
follower: follower estimator follower/state → estimator
feedback.estimator: effort controller effort/estimate → controller,controller feedback → leader(controllerの input)

この規則は1組ごとに閉じています.双腕を別々のfollowerとして扱う場合や,別の機体の組を同じ設定に置く場合も,組の数だけnodeを並べれば辺が決まります.例えば,別のfollowerと別のleaderの組は次のように書けます.機体名は例で,今のroboloomにはありません.

inputs:
  leader: nodes/leader.yaml                   # type: gello_dynamixel(例)
controllers:
  controller: nodes/controller.yaml           # type: joint, feedback.estimator: effort
followers:
  follower: nodes/follower.yaml                     # type: piper_follower(例)
estimators:
  effort: nodes/effort.yaml                   # type: next, follower: follower

機器が申告する能力

設定を読む時点で,組み合わせが成り立つかを確かめます.機体の種類で分岐せず,各classが申告する値で判断します.

申告する側 値 確かめること
follower(Robot) effort_signal:state が持つ力の量(currents_mA,torques_Nm,external_torques_Nm のどれか)と単位 推定器の入力と合うか.sensor は external_torques_Nm を出す機体だけに使える
leader(JointInput) 逆送を受けられる関節(電流制御の制御則に feedback を書いたgroup)と,その単位(mA,Nm) feedback.gain に書いた関節がすべて受けられるか
controller feedback.gain の単位(leaderの単位 / followerの単位) 単位が両側の申告と一致するか.逆送する関節が joints で1対1に対応するか
estimator follower,joint_names,unit,必要な state の項目 参照するfollowerが存在し,項目を出すか

逆送の項は,gravity_comp だけでなく,電流制御のすべての制御則(CurrentLaw の派生)に共通の部品として入れます.別のleaderが別の制御則を使っても,同じ設定で逆送を受けられます.

message

機器の違いを黙って取り違えないよう,messageに関節名と単位を入れます.

kind payload
effort_estimate joints(follower),residual,unit,contact,valid,robot_t_ns(元の状態の時刻)
feedback joints(leader),effort,unit,deadline_ns,gate(controller側の開閉の希望)

leaderは,自分の関節名と単位に合わないmessageを捨て,statusに理由を出します.

設定の案

nodes/controller_bilateral.yaml(既存の joints などに足す):

feedback:
  estimator: effort               # 設定の estimators の名前
  deadline_ms: 100
  unit: mA/mA                     # leaderの単位 / followerの単位
  gain:                           # 書いた関節だけ逆送する(followerの関節名)
    r_arm_sh_pitch1: 0.1
    r_arm_el_yaw: 0.1

nodes/leader_bilateral.yaml の腕のgroup:

- group: right_arm
  law: gravity_comp               # 電流制御の制御則ならどれでもよい
  # ... 既存の gravity_model, tuning, range など
  feedback:
    max_mA: 40                    # 逆送分だけの上限.合計は従来どおり max_current_mA で制限
    ramp_s: 0.3                   # gateの開閉にかける時間
    kd: 0.0                       # 接触中の追加の減衰

実装では,接触の判定(contact_on / contact_off)をleaderではなく推定器に置きました.記録する observation.contact とgateに使う判定を同じ値にし,leaderを機体に依存させないためです.controllerは「推定が有効,接触中,followerが ACTIVE,following」のときだけgateを希望し,leaderは期限・単位・関節を確かめてgateを ramp_s で追従させます.

nodes/effort.yaml:

type: model_residual              # none | sensor | model_residual | next(実装済みは none と model_residual)
follower: follower
joints: [r_arm_sh_pitch1, r_arm_sh_roll, r_arm_sh_pitch2, r_arm_el_yaw, r_arm_wr_roll, r_arm_wr_yaw]
models: [../calibration/effort_gravity_right.yaml]   # 実装では腕ごとのmodelのリスト
smoothing_alpha: 0.2
contact_on: 30                    # |residual| のL1 norm.hysteresis(実装では推定器に置く)
contact_off: 15
record: true                      # observation.effort_ext / observation.contact を記録

推定器の契約

推定器は,follower・input・sensorと同じく,type からclassを選ぶ登録表 ESTIMATORS(roboloom/estimators/)に置きます.機体に依存しない推定器は roboloom/estimators/ に,特定の機体だけのものは roboloom/robots/<model>/ に実装し,同じ登録表へ登録します.

class EffortEstimator(Protocol):
    follower: str  # 参照するfollower node
    joint_names: tuple[str, ...]  # follower関節
    unit: str  # "mA" や "Nm"
    needs: tuple[
        str, ...
    ]  # 使う state の項目,例 ("positions", "velocities", "currents_mA", "target")

    def reset(self) -> None: ...
    def update(
        self, state: dict, t_ns: int
    ) -> Estimate: ...  # follower_state の payload


@dataclass
class Estimate:
    residual: list[float]  # 実測 − 自由運動の予測
    contact: bool
    valid: bool  # 履歴が足りない,状態が古い,などで False
type 中身 用途
none 常に valid=False 経路の試験,逆送なし
sensor 機体が出す外力推定をそのまま使う(Franka の tau_ext など) torque sensorのある機体
model_residual currents_mA − g_f(q).g_f は既存の回帰の重力modelをfollowerで同定したもの 最初の基準.学習なしで動く.摩擦と慣性は残差に残る
next currents_mA − LSTM(q, q̇, target − q) FACTR 2と同じ方法

機体の固有の部分は推定器の実装と設定に閉じ込めます.controllerとleaderは,Estimate だけを見ます.

modelの保存先

計測した値と学習した重みは,機体(1台ごと)の設定と一緒に .roboloom/<機体>/(roboloom init <機体> が作るdirectory)に置きます.packageには入れません.今の重力modelと同じく,YAMLはGitで管理し,大きな生dataと重みは除外します.

場所 中身 Git
calibration/effort_gravity_<side>.yaml model_residual 用のfollowerの重力model(既存の回帰の形式) 管理する
models/<推定器名>/<run_id>/model.yaml NEXTのmanifest(下表) 管理する
models/<推定器名>/<run_id>/weights.safetensors 学習した重み 除外(*.safetensors)
logs/<run>/follower_trace.npz 学習用の自由運動のdata(段階2のtrace) 除外(既存の *.npz,logs/)
  • run_id は学習した日時です(例 20261101-153000).node YAMLは版を明示して指定します.「最新」を自動で選びません.どのmodelで動いたかを再現できるようにするためです.
  • 重みはsafetensorsで保存します.pickleを使わないので,読み込みでcodeが実行されません.torch は optional extra(next)にします.
  • datasetには,記録に使った推定器の type と run_id を残します.

manifest(model.yaml)に書く内容:

項目 例
形式 format: 1,type: next
機体 followerの type,node名,port(by-id,個体の識別),関節名,motor ID
入力 特徴量と順序(positions,velocities,target - positions),単位,rate_hz,履歴の長さ,正規化の平均と分散
model 構造(LSTM 2×128 など),学習の設定
data 使った logs/ のpathと各fileのsha256
評価 検証dataでの誤差,既知の重りでの確認結果
由来 重みのsha256,作成日時,roboloomのcommit

読み込み時に次を確かめ,合わなければ起動を拒否します.

  • followerの type,関節名,motor IDが一致すること.
  • rate_hz がfollowerの control_hz と一致すること.NEXTの履歴の長さは周期で決まるので,周期を変えたら学習し直します.
  • 重みのsha256が一致すること.
  • port が同じ個体であること.別の個体に使うときは,明示的に許可する設定を要求します.

roboloom init のtemplateには,models/ の説明と .gitignore の *.safetensors を加えます.

安全

  • 逆送は既定で無効です.feedback.gain に書いた関節だけ有効になります.
  • 期限切れ,valid=False,followerの HOLD・FAULT・ESTOP,controllerの整列前では,gateを0へ ramp_s で閉じます.急に0にしません.
  • estop・release・quit では,今までどおりleaderを脱力します.
  • 逆送の電流は,まず feedback.max_mA で制限します.その後,重力・hold・barrierと足した合計を,従来の max_current_mA で制限します.
  • EEPROMのCurrent Limitは,hostが止まったときに残る唯一の上限です.XC330では,Bus Watchdogが発火しても電流は止まりません.逆送の分だけCurrent Limitを上げるときは,その値を commission で書き,危険を理解した上で行います.
  • 既存の逸走の検査(max_velocity,範囲外)は,逆送中も働きます.
  • follower側は今までどおり FollowerSafety が守ります.follower を電流制限つき位置制御(Operating Mode 5)にすると,接触時の力も上限で抑えられます.

7.実装の手順

各段階でcommitし,模擬の試験を通してから実機に移ります.実機での確認は利用者が行います.

実装の状況(2026-11-02):段階1〜5は実装し,模擬の試験(tests/test_bilateral.py.dora上で,推定 → gate → leaderの電流までの全経路を含む)を通しました.段階3〜5の実機の確認は未実施です.段階2のtraceは <follower name>_trace.npz,段階4の同定は既存の identify-gravity をfollowerのcalibration(calibration/follower_<side>.yaml)で使います.

段階 内容 完了の条件
1.経路 estimators の役割,登録表 ESTIMATORS,none 推定器を加える.各classの能力の申告と,設定読み込み時の照合を入れる.flow.py で参照から辺を導き,controller の feedback 出力と leader の feedback 入力を作る.逆送の値は常に0 模擬dataflowで,循環する辺,feedbackの期限,最新1件の受け渡し,単位や関節が合わない設定の拒否を試験で確かめる.既存の試験が通る
2.followerの記録 follower nodeに毎周期のtrace(positions,velocities,currents_mA,target,mode)を加える.leaderの leader_trace.npz と同じ形にする.推定器の出力を observation.effort_ext と observation.contact として記録できるようにする 模擬で npz とdatasetの特徴量を確かめる
3.followerのmode follower.yaml の control で,腕を電流制限つき位置制御(current_position,Mode 5)にする設定例を作る.commission でmodeとCurrent Limitを書く 実機:位置の追従と保持が今と同等であること.接触時に電流が上限で止まること
4.model_residual follower で保持電流を計測し,既存の回帰で g_f(q) を同定する道具を作る(identify-gravity を follower に対応させる).model_residual 推定器を実装する 実機:静止時と自由運動中の残差の大きさを記録する.既知の重りをかけたときの残差を確かめる
5.leaderの逆送の項 電流制御の制御則に共通の部品として feedback を加える.gate,ramp,期限,接触のhysteresis,max_mA,kd を入れる.status とtraceに feedback_mA と gate を出す 模擬:期限切れ・HOLD・estopで ramp して0になる試験.実機:1関節だけ小さいgainで有効にし,符号と振動のなさを確かめる
6.gripper triggerを電流制御の新しい制御則(ばね+減衰+接触の項,factr2_next の compute_gripper_feedback_torque と同じ形)にする.follower gripperの電流(Mode 5,Current Limit 54 mA)を入力にする 実機:物を握るとtriggerが重くなること.離すと戻ること
7.NEXT 自由運動のdataの記録手順(段階2のtrace),学習(torch を optional extra にする),推論node(followerの周期で動く)を作る.model_residual と同じ契約にする.重みとmanifestを「modelの保存先」の形で書き,読み込み時に照合する 実機:既知の重り・押し付けで model_residual と比べる.学習・推論のcommandを docs に書く
8.遅れ feedback の遅れ(followerの状態の時刻からleaderが電流を書くまで)を status に出す.周期は§9を参照 実機:遅れの分布を記録する.gainの上限と合わせて docs に書く
9.docs 実装した段階ごとに,Controllers・Robots・Reference・Quick startを更新する.このページの該当部分は削る docs の strict build が通る

8.新しいrobotとleaderへの対応

follower として加える機体に必要なもの:

  • state の positions,velocities,currents_mA(または外力),target を出すこと.velocities がない機体は,推定器で差分をとります.
  • 外力の出し方を一つ選ぶこと.sensorがあれば sensor,なければ model_residual か next です.
  • 位置制御の上で動くこと.torque制御の機体でも,位置指令と FollowerSafety の範囲で動かせるなら使えます.

leader として加える機体に必要なもの:

  • 力を返す関節を電流(torque)で制御できること.位置しか出せない入力(VRなど)は,逆送なしで使います.
  • 重力補償が使えること(gravity_comp,またはその機体の重力model).
  • controllerの joints で,leaderとfollowerの関節が1対1に対応すること.

運動学が違うleaderとfollower(関節の数や並びが違う)では,関節ごとの対応ができません.その場合は,手先の力 F を推定し,leaderで Jᵀ F に変換する必要があります.これは今回の範囲の外です.同じ契約(residual の代わりに手先の力を出す推定器)で後から足せるようにします.

対称型(robopy の bilateral_joint)も,leaderとfollowerに共通の制御則として後から加えられます.そのときは,followerの電流制御,両腕の重力model,torque定数が必要です.

9.未解決の課題

  • 遅れ:Rakuda2のbusは1 Mbpsで,状態の読み出しに4 ms(Fast Sync Read)かかります.これと書き込み前の待ちの省略により,leaderとfollowerの周期を60 Hzから120 Hzへ上げ,実機で確かめました(設定 の「制御周期」).逆送の経路はfollowerの1周期,推定,controller,leaderの1周期を通るので,遅れは数周期分(120 Hzで約20〜30 ms)と見込みます.FACTRの500 Hzよりは遅いので,gate,ramp,減衰,弱いgainから始めます.通信速度を4 Mbpsへ上げると,さらに周期を上げられますが,全motorのEEPROMを書き換える必要があり,今回は行っていません.
  • 推定の精度:model_residual には摩擦と慣性が残ります.速く動かすと接触がなくても残差が出ます.接触の閾値で抑えますが,NEXTに置き換える前提です.
  • 電流の上限:逆送の分だけleaderのCurrent Limitを上げる必要があります.hostが止まったときに残る力が大きくなります.
  • 方策での利用:外力を記録するところまでがroboloomの範囲です.FACTRのcurriculumやFIRSTは学習側の課題です.
  • 調査の範囲:FACTR 2の利用者実験の数値は図にしかなく,確かめていません.factr2_nextのREADMEと実装には食い違いがあります(例:READMEは重力補償を機能に挙げますが,配布設定では無効です).