Learning Reduced-Order Soft Robot Controller

要約

変形ロボットは、その高次元構成空間のため、モデル化や制御が難しいことで知られている。直接的な軌道最適化は次元の呪いに苦しみ、高い計算コストがかかる。一方、学習ベースのコントローラ最適化手法はハイパーパラメータのチューニングに敏感である。これらの制約を克服するために、我々は、忠実度の高いソフトロボットは、低次元空間に限定することでシミュレーションと制御の両方が可能であると仮定する。このような仮定の下で、我々はそのようなシミュレーション空間と制御空間を特定する2段階のアルゴリズムを提案する。本手法では、まず、ロボットの支配方程式が制限される、いわゆるシミュレーション空間を特定する。次に、制御信号が制限される制御空間を特定する。タスクに特化した制御空間を特定するために、多忠実度リーマンベイズ2値最適化を提案する。高自由度のソフトロボットが歩行や水泳のタスクを達成するために、制御空間の次元は$10$以下であることを示し、低次元のMPCコントローラをソフトロボットに扱いやすい計算量で適用することを可能にする。

要約(オリジナル)

Deformable robots are notoriously difficult to model or control due to its high-dimensional configuration spaces. Direct trajectory optimization suffers from the curse-of-dimensionality and incurs a high computational cost, while learning-based controller optimization methods are sensitive to hyper-parameter tuning. To overcome these limitations, we hypothesize that high fidelity soft robots can be both simulated and controlled by restricting to low-dimensional spaces. Under such assumption, we propose a two-stage algorithm to identify such simulation- and control-spaces. Our method first identifies the so-called simulation-space that captures the salient deformation modes, to which the robot’s governing equation is restricted. We then identify the control-space, to which control signals are restricted. We propose a multi-fidelity Riemannian Bayesian bilevel optimization to identify task-specific control spaces. We show that the dimension of control-space can be less than $10$ for a high-DOF soft robot to accomplish walking and swimming tasks, allowing low-dimensional MPC controllers to be applied to soft robots with tractable computational complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL