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

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

Licenças

Acesso aberto
Artigo: CC BY 4.0

Tudo o que segue se baseia no artigo completo sob a licença CC BY 4.0; sua figura é mostrada com crédito aos autores.

Em resumo

Aprende uma força de corpo residual sobre uma simulação FEM diferenciável de um robô flexível a partir de marcadores de mocap esparsos; o erro nos marcadores cai 60,3 % (viga) e 31,9 % (braço pneumático) abaixo da identificação de sistemas.

Por que importa

Robôs flexíveis são difíceis de modelar, o que limita o controle baseado em modelo e o trabalho de projeto com eles. O método mantém um simulador analítico grosseiro como conhecimento físico prévio e aprende apenas o erro, precisando só de marcadores esparsos de captura de movimento no robô real, em vez de medir o estado completo. Ele também permitiu que os autores mantivessem parâmetros subótimos, mas não rígidos e mais rápidos de resolver, e ainda assim se aproximassem mais da realidade do que a simulação mais lenta com parâmetros obtidos por identificação de sistemas.

Problema

Os simuladores de robôs flexíveis expõem apenas alguns parâmetros ajustáveis, como rigidez, densidade e coeficiente de Poisson, de modo que a identificação de sistemas não consegue corrigir erros causados por um modelo de material errado, discretização grosseira, defeitos de fabricação, viscoelasticidade ou histerese. Os métodos anteriores de física residual aprendiam correções apenas para espaços de estado de baixa dimensão, e não para os cerca de 10^3 graus de liberdade de uma malha de corpo flexível, e robôs reais só podem ser observados por meio de alguns marcadores de movimento.

Solução proposta

O método executa o simulador FEM diferenciável DiffPD e, para cada passo de tempo registrado, usa otimização baseada em gradiente (L-BFGS-B) para encontrar a força externa em cada nó da malha que faz as posições simuladas dos marcadores coincidirem com as medidas. Essas forças otimizadas formam um conjunto de dados aumentado no qual um MLP com conexões residuais (skip connections) é treinado para prever a força residual a partir das posições, velocidades e forças de atuação atuais. Em execução, a força da rede é somada a cada passo do simulador em um rollout autorregressivo.

Principais ideias

Uma única força de corpo residual aplicada sobre toda a malha consegue absorver erros de um modelo de material e de uma hipótese de compressibilidade errados que o ajuste de parâmetros não alcança.
Dividir o problema em uma otimização de forças passo a passo por meio de um simulador diferenciável e, depois, um aprendizado supervisionado sobre essas forças transforma dados esparsos de marcadores em rótulos de treinamento densos.
Em simulação, cerca de 4 marcadores bastaram para uma mediana do erro de reconstrução do estado completo abaixo de 0,1 mm, embora a dispersão tenha continuado alta até 10 marcadores.
A identificação de sistemas na viga real convergiu para um módulo de Young de 810 kPa, longe do valor do fabricante de 215 kPa, mostrando que os parâmetros de melhor ajuste estavam compensando efeitos não modelados.

Principais resultados

Viga de simulação para simulação: o erro médio do rollout caiu de 4,49 ± 1,47 mm para 0,08 ± 0,28 mm (oscilação) e de 4,36 ± 1,54 mm para 0,03 ± 0,07 mm (torção).
Viga de silicone de simulação para o real: erro médio nos marcadores de 5,46 ± 1,78 mm (original), 1,32 ± 1,38 mm (identificação de sistemas) e 0,52 ± 0,48 mm (física residual), uma redução de 60,3 % em relação à identificação de sistemas.
Braço pneumático SoPrA de simulação para o real: 7,77 ± 3,72 mm (original), 7,57 ± 3,59 mm (identificação de sistemas) e 5,15 ± 2,67 mm (física residual), uma redução de 31,9 %.
Tempo de execução por trajetória da viga: 0,711 s com os parâmetros originais, 2,218 s com os parâmetros identificados (cerca de 3,12× mais lento) e 1,393 s com física residual (cerca de 1,96×); a inferência da rede levou 0,112 s.
Treinada nos primeiros 5 s de cada trajetória do braço e executada até 10 s, a física residual chegou a 6,10 ± 3,22 mm contra 7,57 ± 3,59 mm da identificação de sistemas.

Limitações

Construir o conjunto de treinamento exige uma otimização passo a passo computacionalmente cara no pré-processamento.
A dinâmica aprendida não generaliza para dados fora da distribuição; a generalização piorou no braço a 1,75× a pressão de atuação do treinamento.
Os erros se acumulam em rollouts autorregressivos longos, e interações de contato não são tratadas.
Cada rede é treinada para uma única geometria de robô; uma rede para diferentes morfologias de robôs flexíveis fica para trabalhos futuros.
As pressões do braço foram limitadas a 20 kPa porque os reforços de fibra não são modelados no simulador, e as forças injetadas acrescentam rigidez numérica, o que torna a simulação híbrida mais lenta que a simulação base.

Impacto na área

O artigo ganhou o RA-L 2025 Best Paper Award e tem 54 citações. A cópia licenciada não indica disponibilização de código, dados ou hardware.

Resumo

Modelar com precisão robôs flexíveis em simulação é computacionalmente caro e geralmente não consegue representar bem o mundo real. Essa discrepância bem conhecida, chamada de lacuna sim-to-real, pode ter várias causas, como modelos de geometria e de material aproximados de forma grosseira, defeitos de fabricação, viscoelasticidade e plasticidade, e efeitos de histerese. Redes de física residual aprendem com dados do mundo real para complementar um modelo discrepante e aproximá-lo da realidade. Aqui, apresentamos um método de física residual para modelar robôs flexíveis com muitos graus de liberdade. Treinamos redes neurais para aprender um termo residual: o erro de modelagem entre os sistemas simulados e os físicos. Concretamente, o termo residual é uma força aplicada sobre toda a malha simulada, enquanto os dados reais de posição são coletados com apenas marcadores de movimento esparsos. O conhecimento físico prévio da simulação analítica fornece um ponto de partida para a rede residual, e o modelo combinado é mais informado do que se a física fosse aprendida do zero (tabula rasa). Demonstramos nosso método em 1) uma viga elastomérica de silicone e 2) um braço pneumático flexível com reforços de fibra anisotrópicos difíceis de modelar. Nosso método supera a identificação de sistemas tradicional em até 60 %. Mostramos que a física residual não precisa se limitar a poucos graus de liberdade, mas pode reduzir de forma eficaz a lacuna sim-to-real em sistemas de alta dimensão.

Open Source Robotics