Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control

要約

連続体ソフト ロボットの動的モデルの取得は、ソフト ロボットの解析と制御の中心であり、研究者はデータ駆動型ソリューションと第一原理ソリューションの両方を提案するという課題に多大な注意を払ってきました。
しかし、どちらの方法にも限界があることが明らかになりました。
前者は構造が欠如しており、トレーニング データ以外ではパフォーマンスが不十分ですが、後者は実際に使用するには大幅な簡略化と広範な専門知識が必要です。
このペーパーでは、正確で解釈が容易な低次元の物理ベースのモデルを学習するための合理化された方法を紹介します。
まず、画像データ (形状の進化) を使用して、ソフト ロボットの動きを記述するために必要な最小限のセグメントを決定するアルゴリズムから始めます。
これに続いて、動的回帰およびひずみスパース化アルゴリズムを適用して、関連するひずみを特定し、モデルのダイナミクスを定義します。
さまざまな平面ソフト マニピュレーターを使用したシミュレーションを通じてアプローチを検証し、そのパフォーマンスを他の学習戦略と比較して、モデルが計算効率が高く、トレーニング外の分布入力に対して 25 倍精度が高いことを示しました。
最後に、物理的に互換性のあるモデルを生成する方法の機能のおかげで、学習されたモデルをモデルベースの制御ポリシーと直接組み合わせることができることを示します。

要約(オリジナル)

Obtaining dynamic models of continuum soft robots is central to the analysis and control of soft robots, and researchers have devoted much attention to the challenge of proposing both data-driven and first-principle solutions. Both avenues have, however, shown their limitations; the former lacks structure and performs poorly outside training data, while the latter requires significant simplifications and extensive expert knowledge to be used in practice. This paper introduces a streamlined method for learning low-dimensional, physics-based models that are both accurate and easy to interpret. We start with an algorithm that uses image data (i.e., shape evolutions) to determine the minimal necessary segments for describing a soft robot’s movement. Following this, we apply a dynamic regression and strain sparsification algorithm to identify relevant strains and define the model’s dynamics. We validate our approach through simulations with various planar soft manipulators, comparing its performance against other learning strategies, showing that our models are both computationally efficient and 25x more accurate on out-of-training distribution inputs. Finally, we demonstrate that thanks to the capability of the method of generating physically compatible models, the learned models can be straightforwardly combined with model-based control policies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google