Deep Reinforcement Learning for the Design of Metamaterial Mechanisms with Functional Compliance Control

要約

メタマテリアル機構は、特別に設計された柔軟な部材の弾性変形を通じて動作する、マイクロアーキテクチャ化されたコンプライアント構造です。
この研究では、深層強化学習 (RL) を使用して、準拠メカニズムの効率的な設計手法を開発します。
この目的のために、設計ドメインはさまざまなヒンジ接続を備えた有限セルにデジタル化され、有限要素解析 (FEA) が実行されて、さまざまなセルの組み合わせによるコンプライアンス機構の変形挙動が評価されます。
FEA データは RL メソッドを通じて学習され、必要な機能要件に最適な準拠メカニズムが得られます。
RL アルゴリズムは、準拠したドア ラッチ メカニズムの設計に適用され、人間の誘導とタイルの方向の影響を調査します。
人間による最小限のガイダンスと内側のタイリングによって最適な結果が達成され、その結果、人間が設計したメカニズムと比較して、事前定義された報酬が 3 倍増加します。
提案されたアプローチはソフトグリッパー機構の設計に拡張され、ヒンジ接続の効果がさらに考慮されます。
ヒンジペナルティの下での最適な設計により、コンプライアンスが著しく向上していることが明らかになり、その性能は積層造形グリッパーを使用した実験テストによって検証されています。
これらの発見は、RL に最適化された設計が人間の洞察に基づいて開発された設計よりも優れた性能を発揮し、実際のアプリケーションにおけるセルベースの準拠メカニズムの効率的な設計手法を提供することを示しています。

要約(オリジナル)

Metamaterial mechanisms are micro-architectured compliant structures that operate through the elastic deformation of specially designed flexible members. This study develops an efficient design methodology for compliant mechanisms using deep reinforcement learning (RL). For this purpose, design domains are digitized into finite cells with various hinge connections, and finite element analyses (FEAs) are conducted to evaluate the deformation behaviors of the compliance mechanism with different cell combinations. The FEA data are learned through the RL method to obtain optimal compliant mechanisms for desired functional requirements. The RL algorithm is applied to the design of a compliant door-latch mechanism, exploring the effect of human guidance and tiling direction. The optimal result is achieved with minimal human guidance and inward tiling, resulting in a threefold increase in the predefined reward compared to human-designed mechanisms. The proposed approach is extended to the design of a soft gripper mechanism, where the effect of hinge connections is additionally considered. The optimal design under hinge penalization reveals remarkably enhanced compliance, and its performance is validated by experimental tests using an additively manufactured gripper. These findings demonstrate that RL-optimized designs outperform those developed with human insight, providing an efficient design methodology for cell-based compliant mechanisms in practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google