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

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

Apprend une force volumique résiduelle sur une simulation FEM différentiable de robot souple à partir de marqueurs de mocap épars ; l'erreur aux marqueurs est inférieure de 60,3 % (poutre) et 31,9 % (bras pneumatique) à celle de l'identification de système.

Pourquoi c'est important

Les robots souples sont difficiles à modéliser, ce qui limite la commande et la conception fondées sur des modèles. La méthode conserve un simulateur analytique grossier comme a priori physique et n'apprend que l'erreur, en ne nécessitant que des marqueurs de capture de mouvement épars sur le robot réel au lieu d'une mesure de l'état complet. Elle a aussi permis aux auteurs de garder des paramètres sous-optimaux mais non raides, plus rapides à résoudre, tout en se rapprochant davantage de la réalité que la simulation plus lente avec des paramètres identifiés.

Problème

Les simulateurs de robots souples n'exposent que quelques paramètres réglables, comme la raideur, la densité et le coefficient de Poisson (Poisson's ratio), si bien que l'identification de système ne peut corriger les erreurs causées par un mauvais modèle de matériau, une discrétisation grossière, des défauts de fabrication, la viscoélasticité ou l'hystérésis. Les méthodes de physique résiduelle antérieures n'apprenaient des corrections que pour des espaces d'état de faible dimension, et non pour les quelque 10^3 degrés de liberté d'un maillage de corps souple, et les robots réels ne peuvent être observés qu'au moyen de quelques marqueurs de mouvement.

Solution proposée

La méthode exécute le simulateur FEM différentiable DiffPD et, pour chaque pas de temps enregistré, utilise une optimisation par gradient (L-BFGS-B) pour trouver la force externe sur chaque nœud du maillage qui fait coïncider les positions simulées des marqueurs avec celles mesurées. Ces forces optimisées forment un jeu de données augmenté sur lequel un MLP à connexions résiduelles (skip connections) est entraîné à prédire la force résiduelle à partir des positions, vitesses et forces d'actionnement courantes. À l'exécution, la force du réseau est ajoutée à chaque pas du simulateur dans un déroulement autorégressif.

Idées clés

• Une seule force volumique résiduelle appliquée sur tout le maillage peut absorber des erreurs dues à un mauvais modèle de matériau et à une hypothèse de compressibilité erronée, hors de portée du réglage des paramètres.
• Découper le problème en une optimisation des forces pas à pas à travers un simulateur différentiable, puis un apprentissage supervisé sur ces forces, transforme des données de marqueurs éparses en étiquettes d'entraînement denses.
• En simulation, environ 4 marqueurs suffisaient pour une erreur médiane de reconstruction de l'état complet inférieure à 0,1 mm, mais la dispersion restait élevée jusqu'à 10 marqueurs.
• L'identification de système sur la poutre réelle a convergé vers un module d'Young (Young's modulus) de 810 kPa, loin de la valeur du fabricant de 215 kPa, ce qui montre que les paramètres les mieux ajustés compensaient des effets non modélisés.

Principaux résultats

• Poutre sim-to-sim : l'erreur moyenne de déroulement est passée de 4,49 ± 1,47 mm à 0,08 ± 0,28 mm (oscillation) et de 4,36 ± 1,54 mm à 0,03 ± 0,07 mm (torsion).
• Poutre en silicone sim-to-real : erreur moyenne aux marqueurs de 5,46 ± 1,78 mm (d'origine), 1,32 ± 1,38 mm (identification de système), 0,52 ± 0,48 mm (physique résiduelle), soit une réduction de 60,3 % par rapport à l'identification de système.
• Bras pneumatique SoPrA sim-to-real : 7,77 ± 3,72 mm (d'origine), 7,57 ± 3,59 mm (identification de système), 5,15 ± 2,67 mm (physique résiduelle), soit une réduction de 31,9 %.
• Temps d'exécution par trajectoire de poutre : 0,711 s avec les paramètres d'origine, 2,218 s avec les paramètres identifiés (environ 3,12× plus lent) et 1,393 s avec la physique résiduelle (environ 1,96×) ; l'inférence du réseau prenait 0,112 s.
• Entraînée sur les 5 premières s de chaque trajectoire du bras et déroulée jusqu'à 10 s, la physique résiduelle a atteint 6,10 ± 3,22 mm contre 7,57 ± 3,59 mm pour l'identification de système.

Limites

• Construire le jeu d'entraînement exige, en prétraitement, une optimisation pas à pas coûteuse en calcul.
• La dynamique apprise ne généralise pas aux données hors distribution ; la généralisation s'est dégradée sur le bras à 1,75× la pression d'actionnement d'entraînement.
• Les erreurs s'accumulent lors de longs déroulements autorégressifs, et les interactions de contact ne sont pas prises en charge.
• Chaque réseau est entraîné pour une seule géométrie de robot ; un réseau unique couvrant plusieurs morphologies de robots souples est laissé à des travaux futurs.
• Les pressions du bras ont été plafonnées à 20 kPa car les renforts en fibres ne sont pas modélisés dans le simulateur, et les forces injectées ajoutent une raideur numérique qui rend la simulation hybride plus lente que la simulation de base.

Impact sur le domaine

L'article a reçu le RA-L 2025 Best Paper Award et compte 54 citations. La copie sous licence n'indique aucune publication de code, de données ni de matériel.

Résumé

Modéliser fidèlement des robots souples en simulation est coûteux en calcul et ne parvient souvent pas à représenter le monde réel. Cet écart bien connu, appelé écart sim-to-real, peut avoir plusieurs causes, comme des modèles géométriques et de matériaux grossièrement approchés, des défauts de fabrication, la viscoélasticité et la plasticité, ainsi que des effets d'hystérésis. Les réseaux de physique résiduelle apprennent à partir de données réelles pour compléter un modèle divergent et le rapprocher de la réalité. Nous présentons ici une méthode de physique résiduelle pour modéliser des robots souples à grand nombre de degrés de liberté. Nous entraînons des réseaux de neurones à apprendre un terme résiduel, à savoir l'erreur de modélisation entre les systèmes simulé et physique. Concrètement, le terme résiduel est une force appliquée sur l'ensemble du maillage simulé, tandis que les données de position réelles sont collectées avec seulement quelques marqueurs de mouvement épars. L'a priori physique de la simulation analytique fournit un point de départ au réseau résiduel, et le modèle combiné est mieux informé que si la physique était apprise tabula rasa. Nous démontrons notre méthode sur 1) une poutre en élastomère de silicone et 2) un bras pneumatique souple doté de renforts en fibres anisotropes difficiles à modéliser. Notre méthode surpasse l'identification de système traditionnelle jusqu'à 60 %. Nous montrons que la physique résiduelle n'a pas à être limitée aux systèmes à faible nombre de degrés de liberté, mais peut combler efficacement l'écart sim-to-real pour des systèmes de grande dimension.

Liens

• arXiv 2402.01086: https://arxiv.org/abs/2402.01086
• DOI 10.1109/LRA.2024.3446287: https://doi.org/10.1109/LRA.2024.3446287
• PDF: https://arxiv.org/pdf/2402.01086v1