ソフトロボットは、その適応性と安全性から未整備の環境での運用に優れていますが、柔軟で高次元かつ非線形なダイナミクスを持つため、制御モデリングが難しいです。従来のデータ駆動型アプローチは、特定のタスクに依存しがちで、広範囲な探索ができていません。そこで本研究では、SoftAEという不確実性に配慮したアクティブエクスプロレーションフレームワークを提案し、タスクに依存しない一般的なダイナミクスモデルを自律的に学習します。SoftAEは確率的アンサンブルモデルを利用して知識の不確実性を評価し、探索を未表現領域に導くことで、効率的な動作のカバレッジを実現しています。シミュレーションしたソフトロボットプラットフォーム（三次元のアーム、流体中の魚のアーム、筋骨格レッグ）や、実世界の気圧アクチュエータを持つアームで評価した結果、SoftAEはより正確なダイナミクスモデルを生成し、未知のタスクに対する優れた制御を可能にします。この方法は、柔軟性のあるロボットにおける自律的かつ適応的な制御の実現に向けた重要なステップです。