Co-Design of Soft Gripper with Neural Physics

要約

ロボット操作の場合、コントローラーとエンドエフェクターの両方の設計が重要です。
ソフトグリッパーは、さまざまなジオメトリに変形することで一般化できますが、そのようなグリッパーを設計し、その把握ポーズを見つけることは依然として困難です。
この論文では、シミュレーションで訓練された神経物理学モデルを使用して、最適化されたソフトグリッパーのブロックごとの剛性分布とその把握ポーズを生成する共同設計フレームワークを提案します。
曲げベースのソフトフィンガーの均一な圧力腱モデルを導き出し、グリッパーのポーズと設計パラメーターの両方をランダム化することにより、多様なデータセットを生成しました。
ニューラルネットワークは、この前方シミュレーションを近似するように訓練されており、高速で微分可能な代理を生み出します。
その代理をエンドツーエンドの最適化ループに埋め込み、理想的な剛性構成と最適なポーズを最適化しました。
最後に、構造パラメーターを変更することにより、さまざまな剛性の最適化されたグリッパーを3Dプリントします。
共同設計のグリッパーは、シミュレーション実験とハードウェア実験の両方でベースライン設計を大幅に上回ることを実証します。

要約(オリジナル)

For robot manipulation, both the controller and end-effector design are crucial. Soft grippers are generalizable by deforming to different geometries, but designing such a gripper and finding its grasp pose remains challenging. In this paper, we propose a co-design framework that generates an optimized soft gripper’s block-wise stiffness distribution and its grasping pose, using a neural physics model trained in simulation. We derived a uniform-pressure tendon model for a flexure-based soft finger, then generated a diverse dataset by randomizing both gripper pose and design parameters. A neural network is trained to approximate this forward simulation, yielding a fast, differentiable surrogate. We embed that surrogate in an end-to-end optimization loop to optimize the ideal stiffness configuration and best grasp pose. Finally, we 3D-print the optimized grippers of various stiffness by changing the structural parameters. We demonstrate that our co-designed grippers significantly outperform baseline designs in both simulation and hardware experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google