Learning Transferable Friction Models and LuGre Identification via Physics Informed Neural Networks

要約

MujocoやPybulletのようなロボットシミュレーターが単純化された摩擦モデルまたはヒューリスティックを使用して計算効率と精度のバランスをとることができるため、ロボット工学の摩擦の正確なモデリングは依然としてコアチャレンジのままです。
このホワイトペーパーでは、学習可能なコンポーネントを備えた定評のある摩擦モデルを最小限の一般的な測定データのみを要求することを可能にする物理情報に基づいた摩擦推定フレームワークを紹介します。
私たちのアプローチは、物理的な一貫性を強化し、現実世界の複雑さに適応する柔軟性を保持します。
積極的で非線形のシステムで、学習した摩擦モデルは、小さくて騒々しいデータセットのみで訓練され、動的摩擦特性を正確にシミュレートし、SIMからリアルのギャップを削減することを実証します。
重要なことに、私たちのアプローチにより、学習されたモデルが訓練されていないシステムに転送可能であることを示します。
複数のシステムを越えて一般化するこの能力は、複雑で不足しているタスクの摩擦モデリングを合理化し、ロボット工学と制御のSIMから現実的なギャップを埋めるためのスケーラブルで解釈可能なパスを提供します。

要約(オリジナル)

Accurately modeling friction in robotics remains a core challenge, as robotics simulators like Mujoco and PyBullet use simplified friction models or heuristics to balance computational efficiency with accuracy, where these simplifications and approximations can lead to substantial differences between simulated and physical performance. In this paper, we present a physics-informed friction estimation framework that enables the integration of well-established friction models with learnable components-requiring only minimal, generic measurement data. Our approach enforces physical consistency yet retains the flexibility to adapt to real-world complexities. We demonstrate, on an underactuated and nonlinear system, that the learned friction models, trained solely on small and noisy datasets, accurately simulate dynamic friction properties and reduce the sim-to-real gap. Crucially, we show that our approach enables the learned models to be transferable to systems they are not trained on. This ability to generalize across multiple systems streamlines friction modeling for complex, underactuated tasks, offering a scalable and interpretable path toward bridging the sim-to-real gap in robotics and control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google