Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials

要約

生地などの食品から粘土などの建築材料に至るまで、体積弾塑性変形可能材料のロボット操作は、まだ初期段階にあります。その主な理由は、高次元空間でのモデリングと認識の難しさです。
このような材料のダイナミクスをシミュレーションするには、計算コストがかかります。
材料や環境の物理パラメータが不正確に推定される傾向があり、高精度の操作が妨げられます。
光学カメラでキャプチャされた生の点群からそのようなパラメータを推定すると、さらに重度のオクルージョンの影響を受けます。
この課題に対処するために、この研究では、新しい微分可能物理ベースのシステム同定 (DPSI) フレームワークを導入します。これにより、ロボット アームが、単純な操作動作と不完全な 3D 点群を使用して弾塑性材料と環境の物理パラメータを推測し、シミュレーションを調整することができます。
現実世界。
広範な実験により、現実世界の相互作用を 1 回行うだけで、推定パラメータ、ヤング率、ポアソン比、降伏応力、摩擦係数を使用して、目に見えない長い水平方向の操作動作によって引き起こされる現実的な変形挙動を視覚的および物理的に正確にシミュレートできることが示されています。
さらに、DPSI フレームワークは、ディープ ニューラル ネットワークなどのブラックボックス アプローチとは対照的に、本質的にパラメーターの物理的に直感的な解釈を提供します。

要約(オリジナル)

Robotic manipulation of volumetric elastoplastic deformable materials, from foods such as dough to construction materials like clay, is in its infancy, largely due to the difficulty of modelling and perception in a high-dimensional space. Simulating the dynamics of such materials is computationally expensive. It tends to suffer from inaccurately estimated physics parameters of the materials and the environment, impeding high-precision manipulation. Estimating such parameters from raw point clouds captured by optical cameras suffers further from heavy occlusions. To address this challenge, this work introduces a novel Differentiable Physics-based System Identification (DPSI) framework that enables a robot arm to infer the physics parameters of elastoplastic materials and the environment using simple manipulation motions and incomplete 3D point clouds, aligning the simulation with the real world. Extensive experiments show that with only a single real-world interaction, the estimated parameters, Young’s modulus, Poisson’s ratio, yield stress and friction coefficients, can accurately simulate visually and physically realistic deformation behaviours induced by unseen and long-horizon manipulation motions. Additionally, the DPSI framework inherently provides physically intuitive interpretations for the parameters in contrast to black-box approaches such as deep neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google