Simultaneous Learning of Contact and Continuous Dynamics

要約

ロボットが遭遇した新しいオブジェクトのモデルを迅速に生成できれば、ロボット操作はモデルベースの方法のデータ効率、堅牢性、予測可能性から大きな恩恵を受けることができます。
これは、複雑な関節摩擦のような効果に明確な第一原理モデルが欠如しており、通常は物理シミュレータによって無視される場合に特に困難です。
さらに、数値的に厳密な接触ダイナミクスにより、一般的なモデル構築アプローチが困難になる可能性があります。
我々は、接触の多い軌道を通じてその動きを観察することにより、おそらくマルチリンクの新しい物体の接触と連続ダイナミクスを同時に学習する方法を提案します。
私たちは、測定されていない接触力を推測する損失を伴うシステム同定プロセスを定式化し、現在のモデル パラメーターを考慮した物理的制約と運動法則の違反にペナルティを与えます。
私たちの損失は、微分可能シミュレーションで使用される予測ベースの損失とは異なります。
実際の多関節物体の軌道の新しいデータセットと既存の立方体投げデータセットを使用することで、私たちの方法は微分可能シミュレーションやエンドツーエンドの代替案よりもデータ効率が高く、優れたパフォーマンスを発揮します。
コード、データセット、メディアについては、プロジェクト ページをご覧ください: https://sites.google.com/view/continuous-contact-nets/home

要約(オリジナル)

Robotic manipulation can greatly benefit from the data efficiency, robustness, and predictability of model-based methods if robots can quickly generate models of novel objects they encounter. This is especially difficult when effects like complex joint friction lack clear first-principles models and are usually ignored by physics simulators. Further, numerically-stiff contact dynamics can make common model-building approaches struggle. We propose a method to simultaneously learn contact and continuous dynamics of a novel, possibly multi-link object by observing its motion through contact-rich trajectories. We formulate a system identification process with a loss that infers unmeasured contact forces, penalizing their violation of physical constraints and laws of motion given current model parameters. Our loss is unlike prediction-based losses used in differentiable simulation. Using a new dataset of real articulated object trajectories and an existing cube toss dataset, our method outperforms differentiable simulation and end-to-end alternatives with more data efficiency. See our project page for code, datasets, and media: https://sites.google.com/view/continuous-contact-nets/home

arxiv情報

提供元, 利用サービス

arxiv.jp, Google