Finite element inspired networks: Learning physically-plausible deformable object dynamics from partial observations

要約

当面のタスクで人間が解釈可能でデータ効率が高く、高速な予測が可能なモデルが必要な場合、変形可能線形オブジェクト (DLO) ダイナミクスの正確なシミュレーションは困難です。
このようなモデルに到達するために、私たちは剛体有限要素法 (R-FEM) からインスピレーションを得て、内部状態がダイナミクス ネットワークによって時間の経過とともに展開される剛体の直列チェーンとして DLO をモデル化します。
この状態は直接観察されないため、ダイナミクス ネットワークは、観察された運動変数をボディ チェーンの状態にマッピングする物理情報に基づいたエンコーダーと共同でトレーニングされます。
状態が物理的に意味のある表現を取得できるようにするために、基礎となる R-FEM モデルの順運動学 (FK) をデコーダーとして利用します。
私たちはロボット実験で、「有限要素にインスピレーションを得たネットワーク」と呼ばれるこのアーキテクチャが、部分的な観測から物理的に解釈可能な予測を生み出す、扱いやすく、しかも有能な DLO ダイナミクス モデルを形成することを実証しました。
プロジェクト コードは \url{https://tinyurl.com/fei-networks} で入手できます。

要約(オリジナル)

The accurate simulation of deformable linear object (DLO) dynamics is challenging if the task at hand requires a human-interpretable and data-efficient model that also yields fast predictions. To arrive at such model, we draw inspiration from the rigid finite element method (R-FEM) and model a DLO as a serial chain of rigid bodies whose internal state is unrolled through time by a dynamics network. As this state is not observed directly, the dynamics network is trained jointly with a physics-informed encoder mapping observed motion variables to the body chain’s state. To encourage that the state acquires a physically meaningful representation, we leverage the forward kinematics (FK) of the underlying R-FEM model as a decoder. We demonstrate in a robot experiment that this architecture – being termed ‘Finite element inspired network’ – forms an easy to handle, yet capable DLO dynamics model yielding physically interpretable predictions from partial observations. The project code is available at: \url{https://tinyurl.com/fei-networks}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google