Sim-to-Real of Soft Robots with Learned Residual Physics

要約

シミュレーションでソフトロボットを正確にモデリングするには計算コストがかかり、一般的に実世界を表現するには不十分です。シミュレーションと現実のギャップとして知られるこのよく知られた不一致には、粗く近似された形状や材料モデル、製造上の欠陥、粘弾性と塑性、ヒステリシス効果など、いくつかの原因が考えられます。残留物理ネットワークは、実世界のデータから学習し、不一致モデルを補強して現実に近づけます。ここでは、大きな自由度を持つソフトロボットをモデリングするための残留物理手法を紹介する。我々は、シミュレーションされたシステムと物理システムの間のモデリング誤差である残差項を学習するためにニューラルネットワークを訓練する。具体的には、残差項はシミュレーションされたメッシュ全体に加えられる力であり、実際の位置データは疎なモーションマーカのみで収集される。解析シミュレーションの物理的事前情報は、残差ネットワークの出発点となり、結合されたモデルは、物理学がタブラ・ラサで学習された場合よりも、より多くの情報を得ることができる。我々は、1)シリコンエラストマー梁と、2)モデル化困難な異方性繊維補強を持つ柔らかい空気圧アームで、本手法を実証する。本手法は、従来のシステム同定を60%も上回る。残差物理学は低自由度に限定される必要はなく、高次元システムのシミュレーションとリアルのギャップを効果的に埋めることができることを示しています。

要約(オリジナル)

Accurately modeling soft robots in simulation is computationally expensive and commonly falls short of representing the real world. This well-known discrepancy, known as the sim-to-real gap, can have several causes, such as coarsely approximated geometry and material models, manufacturing defects, viscoelasticity and plasticity, and hysteresis effects. Residual physics networks learn from real-world data to augment a discrepant model and bring it closer to reality. Here, we present a residual physics method for modeling soft robots with large degrees of freedom. We train neural networks to learn a residual term — the modeling error between simulated and physical systems. Concretely, the residual term is a force applied on the whole simulated mesh, while real position data is collected with only sparse motion markers. The physical prior of the analytical simulation provides a starting point for the residual network, and the combined model is more informed than if physics were learned tabula rasa. We demonstrate our method on 1) a silicone elastomeric beam and 2) a soft pneumatic arm with hard-to-model, anisotropic fiber reinforcements. Our method outperforms traditional system identification up to 60%. We show that residual physics need not be limited to low degrees of freedom but can effectively bridge the sim-to-real gap for high dimensional systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL