Exciting Contact Modes in Differentiable Simulations for Robot Learning

要約

この論文では、シミュレーションと実際のギャップを縮める手段として、微分可能シミュレーターで接触モードをアクティブに計画および励起するアプローチを検討します。
我々は、接触陰的最適化を使用して情報豊富な接触モードを特定および探索するための、情報理論的手法から導出された最適な実験計画アプローチを提案します。
近くの表面との接触を能動的に探す、未知の慣性パラメータと運動学パラメータを使用したロボット パラメータ推定問題に対するアプローチを示します。
私たちのアプローチは、ランダム サンプリング ベースラインと比較して推定誤差が少なくとも $\sim 84\%$ 減少し、情報利得が大幅に向上するため、実験実行に比べて未知のパラメータ推定値の同定が向上することを示します。

要約(オリジナル)

In this paper, we explore an approach to actively plan and excite contact modes in differentiable simulators as a means to tighten the sim-to-real gap. We propose an optimal experimental design approach derived from information-theoretic methods to identify and search for information-rich contact modes through the use of contact-implicit optimization. We demonstrate our approach on a robot parameter estimation problem with unknown inertial and kinematic parameters which actively seeks contacts with a nearby surface. We show that our approach improves the identification of unknown parameter estimates over experimental runs by an estimate error reduction of at least $\sim 84\%$ when compared to a random sampling baseline, with significantly higher information gains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google