Sim2Real Neural Controllers for Physics-based Robotic Deployment of Deformable Linear Objects

要約

ロッド、ケーブル、ロープなどの変形可能な線状物体 (DLO) は、日常生活において重要な役割を果たしています。
ただし、操作プロセス中に幾何学的に大きな非線形変形が発生する可能性があるため、DLO の操作は困難です。
さまざまな変形モード (伸長、曲げ、ねじりなど) によって操作中に弾性が不安定になる可能性があるため、この問題はさらに困難になります。
この論文では、さまざまな規定のパターンに沿って剛性基板上に DLO (弾性ロッド) を正確に配置するという困難な操作タスクを解決するための、物理学に基づくデータ駆動型の方法を定式化します。
私たちのフレームワークは、機械学習、スケーリング分析、物理シミュレーションを組み合わせて、展開用の物理ベースのニューラル コントローラーを開発します。
私たちは、操作された DLO の重力エネルギーと弾性エネルギーの間の複雑な相互作用を調査し、摩擦や材料特性に対して堅牢な DLO 展開の制御方法を取得します。
ロッドと基板の多数の幾何学的および材料特性のうち、物理解析による展開プロセスを記述するために必要な非次元パラメーターは 3 つだけであることを示します。
したがって、操作タスクの制御則の本質を低次元モデルで構築でき、計算速度が大幅に向上します。
当社の最適制御スキームの有効性は、さまざまなパターンでロッドを展開するためのヒューリスティック制御手法と比較した包括的なロボットのケーススタディを通じて示されています。
これに加えて、人間の手書きの模倣、ケーブルの配置、結び目を結ぶなどの難しい高レベルのタスクをロボットに実行させることで、制御スキームの実用性も示します。

要約(オリジナル)

Deformable linear objects (DLOs), such as rods, cables, and ropes, play important roles in daily life. However, manipulation of DLOs is challenging as large geometrically nonlinear deformations may occur during the manipulation process. This problem is made even more difficult as the different deformation modes (e.g., stretching, bending, and twisting) may result in elastic instabilities during manipulation. In this paper, we formulate a physics-guided data-driven method to solve a challenging manipulation task — accurately deploying a DLO (an elastic rod) onto a rigid substrate along various prescribed patterns. Our framework combines machine learning, scaling analysis, and physical simulations to develop a physics-based neural controller for deployment. We explore the complex interplay between the gravitational and elastic energies of the manipulated DLO and obtain a control method for DLO deployment that is robust against friction and material properties. Out of the numerous geometrical and material properties of the rod and substrate, we show that only three non-dimensional parameters are needed to describe the deployment process with physical analysis. Therefore, the essence of the controlling law for the manipulation task can be constructed with a low-dimensional model, drastically increasing the computation speed. The effectiveness of our optimal control scheme is shown through a comprehensive robotic case study comparing against a heuristic control method for deploying rods for a wide variety of patterns. In addition to this, we also showcase the practicality of our control scheme by having a robot accomplish challenging high-level tasks such as mimicking human handwriting, cable placement, and tying knots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google