ロボットや類似のメカトロニクス・システムにおける共通の課題は、他のシステムとの物理的な連結を形成する能力である。たとえば、ロボットの再充電、部品の取り外し、ツールの取り付け、ロボット自身のサブアセンブリの取り替えなどを行う際にこの間題が生じる。このような物理的な連結は堅牢かつ軽量でなくてはならない。アルゴリズムの見地から考えると、この間題は自明ではない。連結の形成(すなわちドッキング)は、精密なナビゲーシヨンが要求される処理手順である。部分的にしかわかっていない環境で自由に動くロボットの場合、そのようなナビゲーシヨンは困難を伴い、高性能のセンサが必要となる。自律システムでは、ノイズ、ほこり、あるいは情報が古く不正確な地図など、予期されない条件がドッキング作業時に現れることがあり、上述の問題が特に顕著となる。我々の目的は、学習および適応化によりそのような状況を処理することである。効率のよいオンライン・シミュレーションのアプローチを用いて学習を行う場合、高速なシミュレーションが最重要必須条件の1つとなることが、

これまでの我々の研究において確認されている。そこで我々は、ドッキング手順を幾何学的に考察することにより堅牢性を向上する方法について研究を行った。本論文では、自律学習における結合および再構築のセルフ・アラインメント・コネク夕の幾何学的問題について簡単に述べる。

図１ ３次元対称コネクタ