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

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

Licenze

• Open access
• Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

Apprende una forza di volume residua su una simulazione FEM differenziabile di un soft robot a partire da marcatori di motion capture sparsi; l'errore sui marcatori scende del 60,3 % (trave) e del 31,9 % (braccio pneumatico) rispetto all'identificazione di sistema.

Perché è importante

I soft robot sono difficili da modellare, il che limita il controllo basato su modello e il lavoro di progettazione su di essi. Il metodo mantiene un simulatore analitico grossolano come conoscenza fisica a priori e apprende solo l'errore, richiedendo solo marcatori di motion capture sparsi sul robot reale anziché la misura dello stato completo. Ha inoltre permesso agli autori di mantenere parametri subottimali ma non rigidi, più rapidi da risolvere, avvicinandosi comunque alla realtà più della simulazione più lenta con parametri ottenuti dall'identificazione di sistema.

Problema

I simulatori di soft robot espongono solo pochi parametri regolabili, come rigidezza, densità e coefficiente di Poisson, quindi l'identificazione di sistema non può correggere errori causati da un modello di materiale sbagliato, da una discretizzazione grossolana, da difetti di fabbricazione, dalla viscoelasticità o dall'isteresi. I precedenti metodi di fisica residua apprendevano correzioni solo per spazi di stato a bassa dimensionalità, non per i circa 10^3 gradi di libertà di una mesh di corpo morbido, e i robot reali possono essere osservati solo tramite pochi marcatori di movimento.

Soluzione proposta

Il metodo esegue il simulatore FEM differenziabile DiffPD e, per ogni passo temporale registrato, usa un'ottimizzazione basata sul gradiente (L-BFGS-B) per trovare la forza esterna su ogni nodo della mesh che fa coincidere le posizioni simulate dei marcatori con quelle misurate. Queste forze ottimizzate formano un dataset aumentato su cui viene addestrato un MLP con skip connection per predire la forza residua a partire da posizioni, velocità e forze di attuazione correnti. In esecuzione, la forza della rete viene aggiunta a ogni passo del simulatore in un rollout autoregressivo.

Idee chiave

• Una singola forza di volume residua applicata sull'intera mesh può assorbire errori dovuti a un modello di materiale e a un'ipotesi di comprimibilità sbagliati che la taratura dei parametri non riesce a raggiungere.
• Dividere il problema in un'ottimizzazione delle forze passo per passo tramite un simulatore differenziabile e poi in un apprendimento supervisionato su quelle forze trasforma dati sparsi dei marcatori in etichette di addestramento dense.
• In simulazione, circa 4 marcatori sono bastati per un errore mediano di ricostruzione dello stato completo inferiore a 0,1 mm, anche se la dispersione è rimasta alta fino a 10 marcatori.
• L'identificazione di sistema sulla trave reale è convergita a un modulo di Young di 810 kPa, lontano dal valore del produttore di 215 kPa, a dimostrazione che i parametri di miglior adattamento compensavano effetti non modellati.

Risultati principali

• Trave da simulazione a simulazione: l'errore medio di rollout è sceso da 4,49 ± 1,47 mm a 0,08 ± 0,28 mm (oscillazione) e da 4,36 ± 1,54 mm a 0,03 ± 0,07 mm (torsione).
• Trave in silicone da simulazione a realtà: errore medio sui marcatori di 5,46 ± 1,78 mm (originale), 1,32 ± 1,38 mm (identificazione di sistema) e 0,52 ± 0,48 mm (fisica residua), una riduzione del 60,3 % rispetto all'identificazione di sistema.
• Braccio pneumatico SoPrA da simulazione a realtà: 7,77 ± 3,72 mm (originale), 7,57 ± 3,59 mm (identificazione di sistema) e 5,15 ± 2,67 mm (fisica residua), una riduzione del 31,9 %.
• Tempo di esecuzione per traiettoria della trave: 0,711 s con i parametri originali, 2,218 s con i parametri identificati (circa 3,12× più lento) e 1,393 s con la fisica residua (circa 1,96×); l'inferenza della rete ha richiesto 0,112 s.
• Addestrata sui primi 5 s di ogni traiettoria del braccio e proseguita fino a 10 s, la fisica residua ha raggiunto 6,10 ± 3,22 mm contro 7,57 ± 3,59 mm dell'identificazione di sistema.

Limiti

• Costruire l'insieme di addestramento richiede un'ottimizzazione passo per passo computazionalmente costosa in fase di pre-elaborazione.
• La dinamica appresa non generalizza a dati fuori distribuzione; la generalizzazione è peggiorata sul braccio a 1,75× la pressione di attuazione dell'addestramento.
• Gli errori si accumulano nei rollout autoregressivi lunghi, e le interazioni di contatto non sono gestite.
• Ogni rete è addestrata per una sola geometria di robot; un'unica rete per diverse morfologie di soft robot è lasciata a lavori futuri.
• Le pressioni del braccio sono state limitate a 20 kPa perché i rinforzi in fibra non sono modellati nel simulatore, e le forze iniettate aggiungono rigidezza numerica che rende la simulazione ibrida più lenta della simulazione di base.

Impatto sul settore

L'articolo ha vinto il RA-L 2025 Best Paper Award e ha 54 citazioni. La copia con licenza non indica alcun rilascio di codice, dati o hardware.

Abstract

Modellare con precisione i soft robot in simulazione è computazionalmente costoso e di solito non riesce a rappresentare il mondo reale. Questa nota discrepanza, chiamata divario sim-to-real, può avere diverse cause, come modelli di geometria e di materiale approssimati in modo grossolano, difetti di fabbricazione, viscoelasticità e plasticità, ed effetti di isteresi. Le reti di fisica residua apprendono da dati del mondo reale per integrare un modello discrepante e avvicinarlo alla realtà. Qui presentiamo un metodo di fisica residua per modellare soft robot con molti gradi di libertà. Addestriamo reti neurali ad apprendere un termine residuo: l'errore di modellazione tra sistemi simulati e fisici. Concretamente, il termine residuo è una forza applicata sull'intera mesh simulata, mentre i dati reali di posizione vengono raccolti con soli marcatori di movimento sparsi. La conoscenza fisica a priori della simulazione analitica fornisce un punto di partenza per la rete residua, e il modello combinato è più informato che se la fisica venisse appresa da zero (tabula rasa). Dimostriamo il nostro metodo su 1) una trave elastomerica in silicone e 2) un braccio pneumatico morbido con rinforzi in fibra anisotropi difficili da modellare. Il nostro metodo supera l'identificazione di sistema tradizionale fino al 60 %. Mostriamo che la fisica residua non deve limitarsi a pochi gradi di libertà, ma può colmare efficacemente il divario sim-to-real per sistemi ad alta dimensionalità.

Link

• 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