Bridging the Sim-to-Real Gap with Bayesian Inference

要約

データからロボットのダイナミクスを学習するSIM-FSVGDを紹介する。従来の手法とは対照的に、SIM-FSVGDは、ニューラルネットワークモデルの学習を正則化するために、シミュレータなどの形で、低忠実度の物理的事前分布を活用する。SIM-FSVGDは、低データ領域で既に正確なダイナミクスを学習する一方で、より多くのデータが利用可能な場合にも拡張し、優れた性能を発揮する。暗黙的な物理的事前分布を用いた学習により、正確な平均モデル推定と正確な不確定性定量化が得られることを実証的に示す。SIM-FSVGDが、高性能RCレーシングカーシステムにおいて、シミュレーションとリアルのギャップを埋めるのに有効であることを実証する。モデルベースRLを用いて、ドリフトを伴う非常にダイナミックな駐車マニューバを、従来の半分以下のデータ量で実証した。

要約(オリジナル)

We present SIM-FSVGD for learning robot dynamics from data. As opposed to traditional methods, SIM-FSVGD leverages low-fidelity physical priors, e.g., in the form of simulators, to regularize the training of neural network models. While learning accurate dynamics already in the low data regime, SIM-FSVGD scales and excels also when more data is available. We empirically show that learning with implicit physical priors results in accurate mean model estimation as well as precise uncertainty quantification. We demonstrate the effectiveness of SIM-FSVGD in bridging the sim-to-real gap on a high-performance RC racecar system. Using model-based RL, we demonstrate a highly dynamic parking maneuver with drifting, using less than half the data compared to the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL