Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks

要約

ソフトロボットは、器用さと安全性に関する高い要求でいくつかのアプリケーションに革命をもたらすことができます。
これらのシステムを操作する場合、リアルタイムの推定と制御には、迅速かつ正確なモデルが必要です。
ただし、第一原理（FP）モデルを使用した予測は遅く、学習されたブラックボックスモデルの一般化は不十分です。
物理学に基づいた機械学習はここで優れた利点を提供しますが、現在、トレーニング後の変更を考慮せずに、シンプルで多くの場合シミュレートされたシステムに限定されています。
データ効率に焦点を当てた明確なソフトロボット（ASR）の物理学に基づいたニューラルネットワーク（PINN）を提案します。
高価な実世界のトレーニングデータの量は、1つのシステムドメインの1つのデータセットに最小限に削減されます。
異なるドメインの2時間のデータが、2つの金標準アプローチとの比較に使用されます。再発性ニューラルネットワークとは対照的に、PINNは高い一般化可能性を提供します。
正確なFPモデルの予測速度は、PINNを超えて、精度がわずかに低下して467倍まで超えられます。
これにより、空気圧ASRの非線形モデル予測制御（MPC）が可能になります。
47 Hzで実行されるMPCを使用した正確な位置追跡は、6つの動的実験で達成されます。

要約(オリジナル)

Soft robots can revolutionize several applications with high demands on dexterity and safety. When operating these systems, real-time estimation and control require fast and accurate models. However, prediction with first-principles (FP) models is slow, and learned black-box models have poor generalizability. Physics-informed machine learning offers excellent advantages here, but it is currently limited to simple, often simulated systems without considering changes after training. We propose physics-informed neural networks (PINNs) for articulated soft robots (ASRs) with a focus on data efficiency. The amount of expensive real-world training data is reduced to a minimum — one dataset in one system domain. Two hours of data in different domains are used for a comparison against two gold-standard approaches: In contrast to a recurrent neural network, the PINN provides a high generalizability. The prediction speed of an accurate FP model is exceeded with the PINN by up to a factor of 467 at slightly reduced accuracy. This enables nonlinear model predictive control (MPC) of a pneumatic ASR. Accurate position tracking with the MPC running at 47 Hz is achieved in six dynamic experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google