Knowledge-based Neural Ordinary Differential Equations for Cosserat Rod-based Soft Robots

要約

柔らかいロボットは、その従順で受動的な性質のおかげで、硬いロボットに比べて多くの利点があります。
ただし、ソフト ロボットの空間次元が高いため、そのダイナミクスをモデル化することは一般に困難であり、モデルベースの手法を使用してソフト ロボットを正確に制御することが困難になります。
ソフト ロボットをシミュレートするには、偏微分方程式の直接数値シミュレーションが必要になることがよくあります。
これには正確な数値モデルが必要なだけでなく、ソフト ロボットのモデリングが遅くなり、コストも高くなります。
深層学習アルゴリズムは、ソフト ロボットのデータ駆動型モデリングにおいて有望であることが示されています。
ただし、これらのアルゴリズムには通常、大量のデータが必要であり、ソフト ロボットのシミュレーションや実際の実験でデータを取得するのは困難です。
この研究では、第一原理物理モデルと神経常微分方程式を組み合わせたフレームワークである KNODE-Cosserat を提案します。
私たちは、物理ベースのモデルの一般化能力と深層学習手法の高速性という、両方の長所を活用しています。
私たちはシミュレーションと現実世界の実験の両方でフレームワークを検証します。
どちらの場合も、ロボット モデルは、さまざまな指標の下でベースライン モデルよりも大幅に改善されることがわかります。

要約(オリジナル)

Soft robots have many advantages over rigid robots thanks to their compliant and passive nature. However, it is generally challenging to model the dynamics of soft robots due to their high spatial dimensionality, making it difficult to use model-based methods to accurately control soft robots. It often requires direct numerical simulation of partial differential equations to simulate soft robots. This not only requires an accurate numerical model, but also makes soft robot modeling slow and expensive. Deep learning algorithms have shown promises in data-driven modeling of soft robots. However, these algorithms usually require a large amount of data, which are difficult to obtain in either simulation or real-world experiments of soft robots. In this work, we propose KNODE-Cosserat, a framework that combines first-principle physics models and neural ordinary differential equations. We leverage the best from both worlds — the generalization ability of physics-based models and the fast speed of deep learning methods. We validate our framework in both simulation and real-world experiments. In both cases, we show that the robot model significantly improves over the baseline models under different metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google