Learning Soft Robot Dynamics using Differentiable Kalman Filters and Spatio-Temporal Embeddings

要約

この論文では、微分可能なフィルター アーキテクチャを利用して、ソフト ロボットのダイナミクスをモデル化するための新しいアプローチを紹介します。
提案されたアプローチにより、ロボットのシステムダイナミクス、ノイズ特性、および時間的動作を学習するためのエンドツーエンドのトレーニングが可能になります。
センサーの配置とサンプリング周波数が異なる観測を処理するための、新しい時空間埋め込みプロセスについて説明します。
このアプローチの有効性は、複雑な曲げ動作のデモンストレーションからエンドエフェクターのダイナミクスを学習することにより、テンセグリティ ロボット アームで実証されます。
このモデルは、モダリティの欠落、多様なセンサー配置、さまざまなサンプリング レートに対して堅牢であることが証明されています。
さらに、提案されたフレームワークは、動作中の人間との物理的な相互作用を識別することを示しています。
微分可能フィルターの利用は、ソフト ロボット ダイナミクスのモデリングの困難に対する新しい解決策を提供します。
私たちのアプローチは、最先端のフィルタリング手法と比較して精度が大幅に向上し、平均絶対誤差 (MAE) が少なくとも 24% 減少することが観察されました。
さらに、予測されたエンドエフェクターの位置は、グラウンド トゥルースからの平均 MAE が 25.77 mm であることを示しており、私たちのアプローチの利点が強調されています。
コードは https://github.com/ir-lab/soft_robot_DEnKF で入手できます。

要約(オリジナル)

This paper introduces a novel approach for modeling the dynamics of soft robots, utilizing a differentiable filter architecture. The proposed approach enables end-to-end training to learn system dynamics, noise characteristics, and temporal behavior of the robot. A novel spatio-temporal embedding process is discussed to handle observations with varying sensor placements and sampling frequencies. The efficacy of this approach is demonstrated on a tensegrity robot arm by learning end-effector dynamics from demonstrations with complex bending motions. The model is proven to be robust against missing modalities, diverse sensor placement, and varying sampling rates. Additionally, the proposed framework is shown to identify physical interactions with humans during motion. The utilization of a differentiable filter presents a novel solution to the difficulties of modeling soft robot dynamics. Our approach shows substantial improvement in accuracy compared to state-of-the-art filtering methods, with at least a 24% reduction in mean absolute error (MAE) observed. Furthermore, the predicted end-effector positions show an average MAE of 25.77mm from the ground truth, highlighting the advantage of our approach. The code is available at https://github.com/ir-lab/soft_robot_DEnKF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google