Sim-to-Real of Soft Robots With Learned Residual Physics

Autoren: Junpeng Gao, Mike Y. Michelis, Andrew Spielberg, Robert K. Katzschmann · IEEE Robotics and Automation Letters (RA-L) 2024

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Lernt aus spärlichen Mocap-Markern eine residuale Volumenkraft für eine differenzierbare FEM-Simulation weicher Roboter; der Markerfehler sinkt um 60,3 % (Balken) bzw. 31,9 % (pneumatischer Arm) unter den der Systemidentifikation.

Warum es wichtig ist

Weiche Roboter sind schwer zu modellieren, was modellbasierte Regelung und Entwurfsarbeit an ihnen einschränkt. Die Methode behält einen groben analytischen Simulator als physikalisches Vorwissen bei und lernt nur den Fehler; am realen Roboter genügen spärliche Motion-Capture-Marker statt einer Erfassung des vollständigen Zustands. Sie erlaubte den Autoren außerdem, suboptimale, aber nicht steife und schneller lösbare Parameter beizubehalten und die Realität dennoch genauer abzubilden als die langsamere Simulation mit systemidentifizierten Parametern.

Problem

Simulatoren für weiche Roboter bieten nur wenige einstellbare Parameter wie Steifigkeit, Dichte und Poisson-Zahl (Poisson's ratio), sodass Systemidentifikation Fehler aus einem falschen Materialmodell, grober Diskretisierung, Fertigungsfehlern, Viskoelastizität oder Hysterese nicht beheben kann. Frühere Residualphysik-Methoden lernten Korrekturen nur für niedrigdimensionale Zustandsräume, nicht für die etwa 10^3 Freiheitsgrade eines Weichkörpernetzes, und reale Roboter lassen sich nur über wenige Bewegungsmarker beobachten.

Lösungsansatz

Die Methode führt den differenzierbaren FEM-Simulator DiffPD aus und bestimmt für jeden aufgezeichneten Zeitschritt mit gradientenbasierter Optimierung (L-BFGS-B) die externe Kraft auf jeden Netzknoten, die die simulierten Markerpositionen mit den gemessenen in Übereinstimmung bringt. Diese optimierten Kräfte bilden einen erweiterten Datensatz, auf dem ein MLP mit Skip-Verbindungen trainiert wird, die Residualkraft aus den aktuellen Positionen, Geschwindigkeiten und Aktuierungskräften vorherzusagen. Zur Laufzeit wird die Kraft des Netzes in einem autoregressiven Rollout zu jedem Simulatorschritt addiert.

Wichtigste Erkenntnisse

Eine einzige residuale Volumenkraft über das gesamte Netz kann Fehler aus einem falschen Materialmodell und einer falschen Kompressibilitätsannahme auffangen, die durch Parameterabstimmung nicht erreichbar sind.
Die Aufteilung des Problems in eine schrittweise Kraftoptimierung durch einen differenzierbaren Simulator und anschließendes überwachtes Lernen auf diesen Kräften macht aus spärlichen Markerdaten dichte Trainingslabels.
In der Simulation genügten etwa 4 Marker für einen Median-Rekonstruktionsfehler des vollständigen Zustands unter 0,1 mm, die Streuung blieb jedoch bis zu 10 Markern hoch.
Die Systemidentifikation am realen Balken konvergierte zu einem Elastizitätsmodul (Young's modulus) von 810 kPa, weit entfernt vom Herstellerwert von 215 kPa, was zeigt, dass die bestangepassten Parameter nicht modellierte Effekte kompensierten.

Hauptergebnisse

Sim-to-Sim-Balken: Der mittlere Rollout-Fehler sank von 4,49 ± 1,47 mm auf 0,08 ± 0,28 mm (Schwingen) und von 4,36 ± 1,54 mm auf 0,03 ± 0,07 mm (Verdrehen).
Sim-to-Real-Silikonbalken: mittlerer Markerfehler 5,46 ± 1,78 mm (ursprünglich), 1,32 ± 1,38 mm (Systemidentifikation), 0,52 ± 0,48 mm (Residualphysik), eine Verringerung um 60,3 % gegenüber der Systemidentifikation.
Sim-to-Real pneumatischer Arm SoPrA: 7,77 ± 3,72 mm (ursprünglich), 7,57 ± 3,59 mm (Systemidentifikation), 5,15 ± 2,67 mm (Residualphysik), eine Verringerung um 31,9 %.
Laufzeit je Balkentrajektorie: 0,711 s mit den ursprünglichen Parametern, 2,218 s mit systemidentifizierten Parametern (etwa 3,12× langsamer) und 1,393 s mit Residualphysik (etwa 1,96×); die Netzinferenz dauerte 0,112 s.
Trainiert auf den ersten 5 s jeder Armtrajektorie und bis 10 s ausgerollt, erreichte die Residualphysik 6,10 ± 3,22 mm gegenüber 7,57 ± 3,59 mm bei der Systemidentifikation.

Einschränkungen

Der Aufbau des Trainingsdatensatzes erfordert in der Vorverarbeitung eine rechenaufwendige Optimierung je Schritt.
Gelernte Dynamik generalisiert nicht auf Daten außerhalb der Verteilung; beim Arm litt die Generalisierung beim 1,75-Fachen des Trainings-Aktuierungsdrucks.
In langen autoregressiven Rollouts akkumulieren sich Fehler, und Kontaktinteraktionen werden nicht behandelt.
Jedes Netz wird für eine einzige Robotergeometrie trainiert; ein Netz für verschiedene Morphologien weicher Roboter bleibt künftiger Arbeit überlassen.
Die Armdrücke wurden auf 20 kPa begrenzt, weil die Faserverstärkungen im Simulator nicht modelliert sind, und die eingebrachten Kräfte fügen numerische Steifigkeit hinzu, die die hybride Simulation langsamer macht als die Basissimulation.

Wirkung auf das Fachgebiet

Das Paper erhielt den RA-L 2025 Best Paper Award und hat 54 Zitierungen. Die lizenzierte Fassung nennt keine Veröffentlichung von Code, Daten oder Hardware.

Zusammenfassung

Die genaue Modellierung weicher Roboter in der Simulation ist rechenaufwendig und bildet die reale Welt häufig nur unzureichend ab. Diese bekannte Diskrepanz, die sogenannte Sim-to-Real-Lücke, kann mehrere Ursachen haben, etwa grob approximierte Geometrie- und Materialmodelle, Fertigungsfehler, Viskoelastizität und Plastizität sowie Hystereseeffekte. Residualphysik-Netze lernen aus realen Daten, um ein abweichendes Modell zu ergänzen und es näher an die Realität zu bringen. Hier stellen wir eine Residualphysik-Methode zur Modellierung weicher Roboter mit vielen Freiheitsgraden vor. Wir trainieren neuronale Netze darauf, einen Residualterm zu lernen, also den Modellierungsfehler zwischen simuliertem und physischem System. Konkret ist der Residualterm eine Kraft, die auf das gesamte simulierte Netz wirkt, während reale Positionsdaten nur mit spärlichen Bewegungsmarkern erfasst werden. Das physikalische Vorwissen der analytischen Simulation liefert einen Ausgangspunkt für das Residualnetz, und das kombinierte Modell ist besser informiert, als wenn die Physik tabula rasa gelernt würde. Wir demonstrieren unsere Methode an 1) einem elastomeren Silikonbalken und 2) einem weichen pneumatischen Arm mit schwer zu modellierenden, anisotropen Faserverstärkungen. Unsere Methode übertrifft die herkömmliche Systemidentifikation um bis zu 60 %. Wir zeigen, dass Residualphysik nicht auf wenige Freiheitsgrade beschränkt sein muss, sondern die Sim-to-Real-Lücke auch für hochdimensionale Systeme wirksam überbrücken kann.

Open Source Robotics