RoboMorph: In-Context Meta-Learning for Robot Dynamics Modeling

要約

深層学習の状況は、特に自然言語処理 (NLP) において、Transformer ベースのアーキテクチャの普及により大きな変化を経験しました。
偏微分方程式や画像視覚の解法など、物理的応用のための新しい道が模索されてきました。
ただし、ロボット工学など、高い非線形性が重大な課題となる難しい分野では、Transformer ベースのアプリケーションはほとんどありません。
トランスフォーマーはロボットに高レベルのタスクに関する知識を提供するために使用されてきましたが、システムの識別を実行するための取り組みはほとんど行われていませんでした。
この論文では、システムの物理パラメータに関する事前知識がなくても、Transformer ベースのアーキテクチャを使用して、Franka ロボット アームなどの高次元物理システムのメタダイナミック モデルを学習するための新しい方法論を提案します。
目的は、各関節のトルク信号を考慮して、対象となる量 (エンドエフェクターのポーズと関節の位置) を予測することです。
この予測は、ロボット工学におけるディープ モデル予測制御フレームワークのコンポーネントとして役立ちます。
メタモデルは、トルクと位置の間の相関関係を確立し、完全な軌道の出力を予測します。
この研究は、コンテキスト内学習パラダイムの有効性の経験的証拠を提供し、物理パラメータの明示的な知識なしでロボット システムのダイナミクスを学習する際の将来の改善を示唆しています。
コード、ビデオ、補足資料はプロジェクトの Web サイトでご覧いただけます。
https://sites.google.com/view/robomorph/ を参照してください。

要約(オリジナル)

The landscape of Deep Learning has experienced a major shift with the pervasive adoption of Transformer-based architectures, particularly in Natural Language Processing (NLP). Novel avenues for physical applications, such as solving Partial Differential Equations and Image Vision, have been explored. However, in challenging domains like robotics, where high non-linearity poses significant challenges, Transformer-based applications are scarce. While Transformers have been used to provide robots with knowledge about high-level tasks, few efforts have been made to perform system identification. This paper proposes a novel methodology to learn a meta-dynamical model of a high-dimensional physical system, such as the Franka robotic arm, using a Transformer-based architecture without prior knowledge of the system’s physical parameters. The objective is to predict quantities of interest (end-effector pose and joint positions) given the torque signals for each joint. This prediction can be useful as a component for Deep Model Predictive Control frameworks in robotics. The meta-model establishes the correlation between torques and positions and predicts the output for the complete trajectory. This work provides empirical evidence of the efficacy of the in-context learning paradigm, suggesting future improvements in learning the dynamics of robotic systems without explicit knowledge of physical parameters. Code, videos, and supplementary materials can be found at project website. See https://sites.google.com/view/robomorph/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google