Learning Differentiable Tensegrity Dynamics using Graph Neural Networks

要約

Tensegrity ロボットは、硬い支柱と柔軟なケーブルで構成されています。
これらは、剛体と軟体のハイブリッドロボットシステムの新興クラスを構成し、移動から組み立てまで幅広い用途に有望なシステムです。
ただし、コンプライアンスと自由度が高いため、正確に制御したりモデル化するのは困難です。
この問題に対処するために、以前の研究では、第一原理に基づいてテンセグリティ ロボット用に設計された微分可能な物理エンジンが導入されました。
対照的に、この研究では、グラフ ニューラル ネットワークを使用して、テンセグリティ ロボットのグラフ表現上の接触ダイナミクスをモデル化することを提案しています。これは、剛性ロッドのエンド キャップ間の自然なグラフ状のケーブル接続を活用します。
この学習済みシミュレーターは、MuJoCo がグラウンド トゥルースとして使用されるシミュレーション間の実験で、3 バーおよび 6 バーのテンセグリティ ロボットのダイナミクスを正確にモデル化できます。
また、ロボットの状態が部分的にしか観測できない実際の 3 バー テンセグリティ ロボットに対して、以前の微分可能エンジンよりも高い精度を達成することもできます。
最近のメッシュベースのグラフ ニューラル ネットワーク シミュレーターの直接適用と比較した場合、提案されたアプローチは、トレーニングと推論の両方において計算効率が高く、より高い精度を実現します。
コードとデータは https://github.com/nchen9191/tensegrity_gnn_simulator_public で入手できます。

要約(オリジナル)

Tensegrity robots are composed of rigid struts and flexible cables. They constitute an emerging class of hybrid rigid-soft robotic systems and are promising systems for a wide array of applications, ranging from locomotion to assembly. They are difficult to control and model accurately, however, due to their compliance and high number of degrees of freedom. To address this issue, prior work has introduced a differentiable physics engine designed for tensegrity robots based on first principles. In contrast, this work proposes the use of graph neural networks to model contact dynamics over a graph representation of tensegrity robots, which leverages their natural graph-like cable connectivity between end caps of rigid rods. This learned simulator can accurately model 3-bar and 6-bar tensegrity robot dynamics in simulation-to-simulation experiments where MuJoCo is used as the ground truth. It can also achieve higher accuracy than the previous differentiable engine for a real 3-bar tensegrity robot, for which the robot state is only partially observable. When compared against direct applications of recent mesh-based graph neural network simulators, the proposed approach is computationally more efficient, both for training and inference, while achieving higher accuracy. Code and data are available at https://github.com/nchen9191/tensegrity_gnn_simulator_public

arxiv情報

提供元, 利用サービス

arxiv.jp, Google