Direct and inverse modeling of soft robots by learning a condensed FEM model

要約

有限要素法 (FEM) は、ソフト ロボットの動作を予測するための強力なモデリング ツールです。
ただし、数値計算の専門家以外にとっては、制御に使用するのが難しい場合があります。リアルタイムにするためには計算の最適化が必要です。
この論文では、コンパクトでありながら十分に豊富な機械的表現を取得するための学習ベースのアプローチを提案します。
私たちの選択は、FEM モデルの凝縮によって提供されるアクチュエーター/エフェクター空間の非線形コンプライアンス データに基づいています。
このコンパクトなモデルは適度な量のデータで学習でき、同時にロボットの直接運動学と逆運動学を推定できるため、モデリングの点で非常に効率的であることを実証します。
また、特に 2 つのソフト フィンガーで構成されるグリッパーの例で、個別に学習したいくつかのモデルを結合する方法も示します。
その他の結果は、完全な FEM モデルから派生した逆モデルとコンパクトな学習バージョンから派生した逆モデルを比較することによって示されます。
この研究は、ソフト ロボットの組み込み制御だけでなく、その設計にも新たな視点をもたらします。
これらの観点についてもこの論文で説明します。

要約(オリジナル)

The Finite Element Method (FEM) is a powerful modeling tool for predicting the behavior of soft robots. However, its use for control can be difficult for non-specialists of numerical computation: it requires an optimization of the computation to make it real-time. In this paper, we propose a learning-based approach to obtain a compact but sufficiently rich mechanical representation. Our choice is based on nonlinear compliance data in the actuator/effector space provided by a condensation of the FEM model. We demonstrate that this compact model can be learned with a reasonable amount of data and, at the same time, be very efficient in terms of modeling, since we can deduce the direct and inverse kinematics of the robot. We also show how to couple some models learned individually in particular on an example of a gripper composed of two soft fingers. Other results are shown by comparing the inverse model derived from the full FEM model and the one from the compact learned version. This work opens new perspectives, namely for the embedded control of soft robots, but also for their design. These perspectives are also discussed in the paper.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google