Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control

要約

連続体ソフトロボットの動的モデルを取得することは、ソフトロボットの分析と制御の中心であり、研究者はデータ駆動型のソリューションと第一原理ソリューションの両方を提案するという課題に多くの注意を払っています。
しかし、どちらの道も彼らの限界を示しています。
前者には構造がなく、トレーニングデータの外部データが不十分であるが、後者は実際に使用するために大幅な単純化と広範な専門知識を必要とする必要がある。
このペーパーでは、正確で簡単に解釈しやすい、低次元の物理ベースのモデルを学習するための合理化された方法を紹介します。
イメージデータ（つまり、Shape Evolutions）を使用して、ソフトロボットの動きを説明するために必要な最小限のセグメントを決定するアルゴリズムから始めます。
これに続いて、動的回帰とひずみスパース化アルゴリズムを適用して、関連するひずみを識別し、モデルのダイナミクスを定義します。
さまざまな平面ソフトマニピュレーターを使用したシミュレーションを通じてアプローチを検証し、そのパフォーマンスを他の学習戦略と比較し、モデルが計算効率が高く、トレーニング外の配信入力で25倍の精度があることを示しています。
最後に、物理的に互換性のあるモデルを生成する方法の能力のおかげで、学習モデルをモデルベースの制御ポリシーと簡単に組み合わせることができることを実証します。

要約(オリジナル)

Obtaining dynamic models of continuum soft robots is central to the analysis and control of soft robots, and researchers have devoted much attention to the challenge of proposing both data-driven and first-principle solutions. Both avenues have, however, shown their limitations; the former lacks structure and performs poorly outside training data, while the latter requires significant simplifications and extensive expert knowledge to be used in practice. This paper introduces a streamlined method for learning low-dimensional, physics-based models that are both accurate and easy to interpret. We start with an algorithm that uses image data (i.e., shape evolutions) to determine the minimal necessary segments for describing a soft robot’s movement. Following this, we apply a dynamic regression and strain sparsification algorithm to identify relevant strains and define the model’s dynamics. We validate our approach through simulations with various planar soft manipulators, comparing its performance against other learning strategies, showing that our models are both computationally efficient and 25x more accurate on out-of-training distribution inputs. Finally, we demonstrate that thanks to the capability of the method of generating physically compatible models, the learned models can be straightforwardly combined with model-based control policies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google