Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks

要約

ソフトロボットは、器用さと安全性が要求されるいくつかのアプリケーションに革命をもたらす可能性がある。このようなシステムを動作させる場合、リアルタイムの推定と制御には、高速で正確なモデルが必要である。しかし、第一原理（FP）モデルによる予測は時間がかかり、学習されたブラックボックスモデルは汎化性に乏しい。物理情報付き機械学習はこの点で優れた利点を提供するが、現在のところ、学習後の変化を考慮しない単純な、しばしばシミュレーションされたシステムに限られている。我々は、データ効率に着目し、多関節ソフトロボット（ASR）のための物理情報ニューラルネットワーク（PINN）を提案する。高価な実世界のトレーニングデータの量は最小限に抑えられ、1つのシステムドメインで1つのデータセットとなる。異なるドメインにおける2時間のデータが、2つのゴールドスタンダードアプローチとの比較に使用される：リカレントニューラルネットワークとは対照的に、PINNは高い汎化性を提供する。正確なFPモデルの予測速度は、PINNを使用することで、精度が若干低下するものの、最大466倍まで向上する。これにより、空気圧ASRの非線形モデル予測制御（MPC）が可能になる。9つの動的MPC実験において、平均1.3{deg}の関節追従誤差が達成された。

要約(オリジナル)

Soft robots can revolutionize several applications with high demands on dexterity and safety. When operating these systems, real-time estimation and control require fast and accurate models. However, prediction with first-principles (FP) models is slow, and learned black-box models have poor generalizability. Physics-informed machine learning offers excellent advantages here, but it is currently limited to simple, often simulated systems without considering changes after training. We propose physics-informed neural networks (PINNs) for articulated soft robots (ASRs) with a focus on data efficiency. The amount of expensive real-world training data is reduced to a minimum – one dataset in one system domain. Two hours of data in different domains are used for a comparison against two gold-standard approaches: In contrast to a recurrent neural network, the PINN provides a high generalizability. The prediction speed of an accurate FP model is improved with the PINN by up to a factor of 466 at slightly reduced accuracy. This enables nonlinear model predictive control (MPC) of the pneumatic ASR. In nine dynamic MPC experiments, an average joint-tracking error of 1.3{\deg} is achieved.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL