Can Real-to-Sim Approaches Capture Dynamic Fabric Behavior for Robotic Fabric Manipulation?

要約

この論文では、ロボット工学におけるファブリック操作のための実際のパラメーター推定アプローチの厳密な評価を提示します。
この研究では、3つの最先端のアプローチ、つまり2つの差異パイプラインとデータ駆動型アプローチを体系的に評価します。
また、物理学パラメーター推定のための新しい物理学に基づいたニューラルネットワークアプローチも考案します。
これらのアプローチには、5つの異なるファブリックタイプの複数の実際のシナリオ（リフティング、風の吹き付け、ストレッチ）にわたって2つのシミュレーションがインターフェースされ、3つの目に見えないシナリオ（折りたたみ、投げ、揺れ）で評価されます。
シミュレーションエンジンと実際のアプローチの選択が、評価シナリオでファブリック操作のパフォーマンスに大きな影響を与えることがわかりました。
さらに、PINNは準静的タスクで優れたパフォーマンスを観察しますが、動的なシナリオで制限を示しています。

要約(オリジナル)

This paper presents a rigorous evaluation of Real-to-Sim parameter estimation approaches for fabric manipulation in robotics. The study systematically assesses three state-of-the-art approaches, namely two differential pipelines and a data-driven approach. We also devise a novel physics-informed neural network approach for physics parameter estimation. These approaches are interfaced with two simulations across multiple Real-to-Sim scenarios (lifting, wind blowing, and stretching) for five different fabric types and evaluated on three unseen scenarios (folding, fling, and shaking). We found that the simulation engines and the choice of Real-to-Sim approaches significantly impact fabric manipulation performance in our evaluation scenarios. Moreover, PINN observes superior performance in quasi-static tasks but shows limitations in dynamic scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google