Sim-to-Real of Soft Robots with Learned Residual Physics

要約

シミュレーションでソフト ロボットを正確にモデリングするには計算コストがかかり、通常は現実世界を表現するには不十分です。
シミュレーションと実際のギャップとして知られるこのよく知られた不一致には、粗く近似された形状や材料モデル、製造上の欠陥、粘弾性や塑性、ヒステリシス効果など、いくつかの原因が考えられます。
残差物理ネットワークは実世界のデータから学習して、矛盾するモデルを拡張し、現実に近づけます。
ここでは、大きな自由度を持つソフトロボットをモデル化するための残差物理法を紹介します。
私たちはニューラル ネットワークをトレーニングして残差項、つまりシミュレートされたシステムと物理システムの間のモデリング誤差を学習します。
具体的には、残差項はシミュレートされたメッシュ全体に適用される力ですが、実際の位置データはまばらなモーション マーカーのみで収集されます。
解析シミュレーションの物理的な事前分布は残差ネットワークの開始点を提供し、結合されたモデルは物理学を表から学習した場合よりも多くの情報を得ることができます。
1) シリコーンエラストマービームと 2) モデル化が困難な異方性繊維補強材を備えた柔らかい空気圧アームに関する方法を実証します。
私たちの方法は、従来のシステム識別を最大 60% 上回ります。
我々は、残留物理学が低い自由度に限定される必要はなく、高次元システムのシミュレーションと現実のギャップを効果的に埋めることができることを示します。

要約(オリジナル)

Accurately modeling soft robots in simulation is computationally expensive and commonly falls short of representing the real world. This well-known discrepancy, known as the sim-to-real gap, can have several causes, such as coarsely approximated geometry and material models, manufacturing defects, viscoelasticity and plasticity, and hysteresis effects. Residual physics networks learn from real-world data to augment a discrepant model and bring it closer to reality. Here, we present a residual physics method for modeling soft robots with large degrees of freedom. We train neural networks to learn a residual term — the modeling error between simulated and physical systems. Concretely, the residual term is a force applied on the whole simulated mesh, while real position data is collected with only sparse motion markers. The physical prior of the analytical simulation provides a starting point for the residual network, and the combined model is more informed than if physics were learned tabula rasa. We demonstrate our method on 1) a silicone elastomeric beam and 2) a soft pneumatic arm with hard-to-model, anisotropic fiber reinforcements. Our method outperforms traditional system identification up to 60%. We show that residual physics need not be limited to low degrees of freedom but can effectively bridge the sim-to-real gap for high dimensional systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google