Bridging the Sim-to-Real Gap with Bayesian Inference

要約

データからロボットダイナミクスを学習するSIM-FSVGDを紹介します。
従来の方法とは対照的に、SIM-FSVGD は、ニューラル ネットワーク モデルのトレーニングを正規化するために、シミュレーターの形式などで忠実度の低い物理事前分布を利用します。
SIM-FSVGD は、低データ領域ですでに正確なダイナミクスを学習している一方で、より多くのデータが利用可能な場合にも拡張して優れています。
我々は、暗黙的な物理事前分布を使用した学習により、正確な平均モデル推定と正確な不確実性の定量化がもたらされることを経験的に示します。
高性能 RC レースカー システムでのシミュレーションと実際のギャップを埋める SIM-FSVGD の有効性を実証します。
モデルベースの RL を使用して、最先端技術と比較して半分以下のデータを使用して、ドリフトを伴う非常にダイナミックな駐車操作を実証します。

要約(オリジナル)

We present SIM-FSVGD for learning robot dynamics from data. As opposed to traditional methods, SIM-FSVGD leverages low-fidelity physical priors, e.g., in the form of simulators, to regularize the training of neural network models. While learning accurate dynamics already in the low data regime, SIM-FSVGD scales and excels also when more data is available. We empirically show that learning with implicit physical priors results in accurate mean model estimation as well as precise uncertainty quantification. We demonstrate the effectiveness of SIM-FSVGD in bridging the sim-to-real gap on a high-performance RC racecar system. Using model-based RL, we demonstrate a highly dynamic parking maneuver with drifting, using less than half the data compared to the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google