要約
ロボットは現実世界に遍在しているため、さまざまな軟質材料と相互作用する能力をロボットに装備することが望まれています。
物理シミュレーションはデータ収集とロボットのトレーニングのための主要な方法の 1 つですが、柔らかい材料のシミュレーションにはかなりの課題が伴います。
具体的には、シミュレーション速度とストレージ要件の点で、剛体オブジェクトのシミュレーションよりも大幅にコストがかかります。
これらの制限により、通常、軟質材料に関する研究の範囲が狭く限定された領域に制限され、それによってより広い領域でのスキルの学習が妨げられます。
この問題に対処するために、ロボットのスキル習得のための無制限のソフト環境をサポートするように設計された新しいシミュレーション プラットフォームである UBSoft を紹介します。
当社のプラットフォームは空間適応型解像度スケールを利用しており、アクティブなロボット エージェントへの近接度に基づいてシミュレーション解像度が動的に調整されます。
私たちのフレームワークは、ソフトマテリアルを含む大規模なシナリオに必要な大規模なストレージスペースの需要と計算コストを大幅に削減します。
また、移動タスクと操作タスクの両方を含む一連のベンチマーク タスクをプラットフォームに確立し、勾配ベースとサンプリング ベースの両方のさまざまな強化学習アルゴリズムと軌道最適化手法の有効性を評価するための実験を実施します。
予備的な結果は、タスクを解決するための 1 つの軌道を取得する場合、サンプリング ベースの軌道最適化が一般的により良い結果を達成することを示しています。
さらに、実世界の環境で実験を実施し、UBSoft シミュレータでの進歩がロボットと大規模な軟質材料との相互作用の改善につながる可能性があることを実証しています。
その他のビデオは https://vis-www.cs.umass.edu/ubsoft/ でご覧いただけます。
要約(オリジナル)
It is desired to equip robots with the capability of interacting with various soft materials as they are ubiquitous in the real world. While physics simulations are one of the predominant methods for data collection and robot training, simulating soft materials presents considerable challenges. Specifically, it is significantly more costly than simulating rigid objects in terms of simulation speed and storage requirements. These limitations typically restrict the scope of studies on soft materials to small and bounded areas, thereby hindering the learning of skills in broader spaces. To address this issue, we introduce UBSoft, a new simulation platform designed to support unbounded soft environments for robot skill acquisition. Our platform utilizes spatially adaptive resolution scales, where simulation resolution dynamically adjusts based on proximity to active robotic agents. Our framework markedly reduces the demand for extensive storage space and computation costs required for large-scale scenarios involving soft materials. We also establish a set of benchmark tasks in our platform, including both locomotion and manipulation tasks, and conduct experiments to evaluate the efficacy of various reinforcement learning algorithms and trajectory optimization techniques, both gradient-based and sampling-based. Preliminary results indicate that sampling-based trajectory optimization generally achieves better results for obtaining one trajectory to solve the task. Additionally, we conduct experiments in real-world environments to demonstrate that advancements made in our UBSoft simulator could translate to improved robot interactions with large-scale soft material. More videos can be found at https://vis-www.cs.umass.edu/ubsoft/.
arxiv情報
著者 | Chunru Lin,Jugang Fan,Yian Wang,Zeyuan Yang,Zhehuan Chen,Lixing Fang,Tsun-Hsuan Wang,Zhou Xian,Chuang Gan |
発行日 | 2024-11-19 18:25:38+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google