Task2Morph: Differentiable Task-inspired Framework for Contact-Aware Robot Design

要約

さまざまなタスクに適応する形態とコントローラーの最適化は、ロボット設計の分野における重要な課題です。
体現された知性。
以前の研究では、通常、それを結合最適化問題としてモデル化し、検索ベースの方法を使用して形態空間で最適な解決策を見つけました。
しかし、彼らは、ロボット設計に直接インスピレーションを与えることができるタスクと形態のマッピングに関する暗黙の知識を無視しています。
たとえば、重い箱をひっくり返すには、より筋肉質のロボット アームが必要になる傾向があります。
この論文では、Task2Morph と呼ばれる、接触認識ロボット設計のための、新規で一般的な微分可能なタスクにインスピレーションを得たフレームワークを提案します。
タスクのパフォーマンスに関連性の高いタスクの特徴を抽象化し、それらを使用してタスクから形態へのマッピングを構築します。
さらに、微分可能なロボット設計プロセスにマッピングを埋め込み、勾配情報をマッピング学習と全体の最適化の両方に活用します。
実験は 3 つのシナリオで行われ、その結果、Task2Morph が効率と有効性の点で、タスクからインスピレーションを得た形態学モジュールを持たない DiffHand よりも優れていることが検証されました。

要約(オリジナル)

Optimizing the morphologies and the controllers that adapt to various tasks is a critical issue in the field of robot design, aka. embodied intelligence. Previous works typically model it as a joint optimization problem and use search-based methods to find the optimal solution in the morphology space. However, they ignore the implicit knowledge of task-to-morphology mapping which can directly inspire robot design. For example, flipping heavier boxes tends to require more muscular robot arms. This paper proposes a novel and general differentiable task-inspired framework for contact-aware robot design called Task2Morph. We abstract task features highly related to task performance and use them to build a task-to-morphology mapping. Further, we embed the mapping into a differentiable robot design process, where the gradient information is leveraged for both the mapping learning and the whole optimization. The experiments are conducted on three scenarios, and the results validate that Task2Morph outperforms DiffHand, which lacks a task-inspired morphology module, in terms of efficiency and effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google