Function based sim-to-real learning for shape control of deformable free-form surfaces

要約

変形可能な自由曲面の形状制御の場合、シミュレーションは、作動パラメータと変形形状の間のマッピングを確立する上で重要な役割を果たします。
この順運動学マッピングの微分は、通常、目標形状を実現できる作動パラメータを決定するための逆運動学問題を解くために使用されます。
ただし、シミュレータから得られる自由曲面は、ハードウェアによって導入される誤差や物理シミュレーションで採用される簡略化により、物理的に変形された形状とは常に異なります。
このギャップを埋めるために、シミュレーションモデルの幾何学的形状を物理モデルの対応する形状にマッピングできる、新しい変形関数ベースのシムトゥリアル学習方法を提案します。
完全に取得された高密度マーカーに依存する既存のシミュレーションからリアルへの学習方法とは異なり、私たちの方法はまばらに分散したマーカーに対応し、マーカーが欠落しているフレームであっても、キャプチャされたすべてのフレームを弾力的に使用できます。
その有効性を実証するために、当社の sim-to-real 手法は、空気圧で作動する変形可能なマネキンの逆運動学問題に取り組むように設計されたニューラル ネットワーク ベースの計算パイプラインに統合されています。

要約(オリジナル)

For the shape control of deformable free-form surfaces, simulation plays a crucial role in establishing the mapping between the actuation parameters and the deformed shapes. The differentiation of this forward kinematic mapping is usually employed to solve the inverse kinematic problem for determining the actuation parameters that can realize a target shape. However, the free-form surfaces obtained from simulators are always different from the physically deformed shapes due to the errors introduced by hardware and the simplification adopted in physical simulation. To fill the gap, we propose a novel deformation function based sim-to-real learning method that can map the geometric shape of a simulated model into its corresponding shape of the physical model. Unlike the existing sim-to-real learning methods that rely on completely acquired dense markers, our method accommodates sparsely distributed markers and can resiliently use all captured frames — even for those in the presence of missing markers. To demonstrate its effectiveness, our sim-to-real method has been integrated into a neural network-based computational pipeline designed to tackle the inverse kinematic problem on a pneumatically actuated deformable mannequin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google