Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials

要約

生地などの食品から粘土などの建設材料まで、体積弾性変形材料のロボット操作は、主に高次元空間でのモデリングと知覚の難しさが原因で、初期段階にあります。
このような材料のダイナミクスをシミュレートすることは、計算上高価です。
材料と環境の不正確に推定された物理パラメーターに苦しむ傾向があり、高精度の操作を妨げます。
光学カメラによってキャプチャされた生の点雲からのこのようなパラメーターを推定することは、重い閉塞にさらに苦しんでいます。
この課題に対処するために、この作業では、ロボットアームが単純な操作運動と不完全な3Dポイントクラウドを使用して、ロボットアームがエラストプラスチック材料の物理パラメーターと環境の物理パラメーターを推測できるようにする新しい微分微分物理学ベースのシステム識別（DPSI）フレームワークを導入し、シミュレーションを整列させます。
現実の世界。
広範な実験では、単一の実際の相互作用のみで、推定されたパラメーター、ヤング率、ポアソン比、降伏応力、摩擦係数が、目に見えない長期の栽培操作運動によって誘発される視覚的および物理的に現実的な変形行動を正確にシミュレートできることが示されています。
さらに、DPSIフレームワークは、ディープニューラルネットワークなどのブラックボックスアプローチとは対照的に、パラメーターに対して物理的に直感的な解釈を本質的に提供します。
このプロジェクトは、https：//ianyangchina.github.io/si4rp-data/を介して完全にオープンソースされています。

要約(オリジナル)

Robotic manipulation of volumetric elastoplastic deformable materials, from foods such as dough to construction materials like clay, is in its infancy, largely due to the difficulty of modelling and perception in a high-dimensional space. Simulating the dynamics of such materials is computationally expensive. It tends to suffer from inaccurately estimated physics parameters of the materials and the environment, impeding high-precision manipulation. Estimating such parameters from raw point clouds captured by optical cameras suffers further from heavy occlusions. To address this challenge, this work introduces a novel Differentiable Physics-based System Identification (DPSI) framework that enables a robot arm to infer the physics parameters of elastoplastic materials and the environment using simple manipulation motions and incomplete 3D point clouds, aligning the simulation with the real world. Extensive experiments show that with only a single real-world interaction, the estimated parameters, Young’s modulus, Poisson’s ratio, yield stress and friction coefficients, can accurately simulate visually and physically realistic deformation behaviours induced by unseen and long-horizon manipulation motions. Additionally, the DPSI framework inherently provides physically intuitive interpretations for the parameters in contrast to black-box approaches such as deep neural networks. The project is fully open-sourced via https://ianyangchina.github.io/SI4RP-data/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google