Finite element inspired networks: Learning interpretable deformable object dynamics from partial observations

要約

当面のタスクで人間が解釈でき、高速な予測が可能なモデルが必要な場合、変形可能線形オブジェクト (DLO) ダイナミクスの正確なシミュレーションは困難です。
このようなモデルに到達するために、私たちは剛体有限要素法 (R-FEM) からインスピレーションを得て、内部状態がダイナミクス ネットワークによって時間の経過とともに展開される剛体の直列チェーンとして DLO をモデル化します。
この状態は直接観察されないため、ダイナミクス ネットワークは、観察された運動変数を DLO の隠れた状態にマッピングする物理情報に基づいたエンコーダーと共同でトレーニングされます。
状態が物理的に意味のある表現を取得できるようにするために、基礎となる R-FEM モデルの順運動学をデコーダーとして利用します。
ロボット実験を通じて、提案されたアーキテクチャが、部分的な観測から物理的に解釈可能な予測を生み出す、扱いやすく、かつ有能な DLO ダイナミクス モデルを提供することを実証します。
プロジェクト コードは \url{https://tinyurl.com/fei-networks} で入手できます。

要約(オリジナル)

Accurate simulation of deformable linear object (DLO) dynamics is challenging if the task at hand requires a human-interpretable model that also yields fast predictions. To arrive at such a model, we draw inspiration from the rigid finite element method (R-FEM) and model a DLO as a serial chain of rigid bodies whose internal state is unrolled through time by a dynamics network. As this state is not observed directly, the dynamics network is trained jointly with a physics-informed encoder which maps observed motion variables to the DLO’s hidden state. To encourage that the state acquires a physically meaningful representation, we leverage the forward kinematics of the underlying R-FEM model as a decoder. Through robot experiments we demonstrate that the proposed architecture provides an easy-to-handle, yet capable DLO dynamics model yielding physically interpretable predictions from partial observations. The project code is available at: \url{https://tinyurl.com/fei-networks}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google