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

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

授權條款

開放取用
論文: CC BY 4.0

以下內容皆依據論文全文，依其 CC BY 4.0 授權條款使用；圖表已標示作者。

一句話摘要

以稀疏的動作捕捉標記點，在可微分 FEM 軟性機器人模擬上學習一個殘差體積力；標記點誤差比系統識別低 60.3%（樑）與 31.9%（氣動手臂）。

為何重要

軟性機器人很難建模，這限制了以模型為基礎的控制與設計工作。此方法保留粗略的解析模擬器作為物理先驗，只學習誤差，在真實機器人上只需要稀疏的動作捕捉標記點，而不需要完整狀態的感測。它也讓作者能保留次佳但不剛硬、求解較快的參數，同時比使用系統識別參數的較慢模擬更貼近現實。

問題

軟性機器人模擬器只開放少數可調參數，例如剛性、密度與 Poisson 比，因此系統識別無法修正由錯誤的材料模型、粗糙的離散化、製造瑕疵、黏彈性或遲滯所造成的誤差。先前的殘差物理方法只能為低維狀態空間學習修正，無法處理軟體網格約 10^3 個自由度，而且真實機器人只能透過少數運動標記點來觀測。

提出的方法

此方法執行可微分 FEM 模擬器 DiffPD，並針對每個記錄的時間步，以基於梯度的最佳化（L-BFGS-B）求出作用於每個網格節點的外力，使模擬的標記點位置與量測值相符。這些最佳化所得的力構成一個擴增資料集，用來訓練一個具跳接連線的 MLP，依據目前的位置、速度與致動力來預測殘差力。執行時，網路輸出的力會在自迴歸推演中加到模擬器的每一步。

關鍵見解

施加在整個網格上的單一殘差體積力，可以吸收參數調整無法處理的誤差，這些誤差來自錯誤的材料模型與可壓縮性假設。
把問題拆成兩步：先透過可微分模擬器逐步最佳化力，再以這些力進行監督式學習，便能將稀疏的標記點資料轉成稠密的訓練標籤。
在模擬中，大約 4 個標記點就足以讓完整狀態重建誤差的中位數低於 0.1 mm，但分散程度在達到 10 個標記點之前都還偏高。
在真實樑上，系統識別收斂到 810 kPa 的楊氏模數，與製造商提供的 215 kPa 相去甚遠，顯示最佳擬合參數其實是在補償未建模的效應。

主要結果

模擬到模擬的樑：平均推演誤差從 4.49 ± 1.47 mm 降至 0.08 ± 0.28 mm（振盪），以及從 4.36 ± 1.54 mm 降至 0.03 ± 0.07 mm（扭轉）。
模擬到現實的矽膠樑：平均標記點誤差為 5.46 ± 1.78 mm（原始）、1.32 ± 1.38 mm（系統識別）、0.52 ± 0.48 mm（殘差物理），相較系統識別降低 60.3%。
模擬到現實的 SoPrA 氣動手臂：7.77 ± 3.72 mm（原始）、7.57 ± 3.59 mm（系統識別）、5.15 ± 2.67 mm（殘差物理），降低 31.9%。
每條樑軌跡的執行時間：原始參數 0.711 s，系統識別參數 2.218 s（約慢 3.12×），殘差物理 1.393 s（約 1.96×）；網路推論耗時 0.112 s。
以每條手臂軌跡的前 5 s 訓練並推演到 10 s 時，殘差物理達到 6.10 ± 3.22 mm，系統識別則為 7.57 ± 3.59 mm。

限制

建立訓練集需要在前處理中進行計算成本很高的逐步最佳化。
學到的動力學無法泛化到分布外的資料；在 1.75× 訓練致動壓力下，手臂上的泛化表現變差。
誤差會在長時間的自迴歸推演中累積，而且並未處理接觸互動。
每個網路都只針對單一機器人幾何訓練；能跨軟性機器人形態使用的單一網路留待未來研究。
手臂壓力被限制在 20 kPa，因為模擬器中並未建模纖維補強；注入的力會增加數值剛性，使混合模擬比基礎模擬更慢。

對領域的影響

這篇論文獲得 RA-L 2025 最佳論文獎，被引用 54 次。經授權的論文副本並未提到釋出程式碼、資料或硬體。

摘要

在模擬中精確建模軟性機器人的計算成本很高，而且通常無法充分呈現真實世界。這種眾所周知的差異稱為模擬到現實落差，可能有多種成因，例如粗略近似的幾何與材料模型、製造瑕疵、黏彈性與塑性，以及遲滯效應。殘差物理網路從真實世界資料中學習，以增強有偏差的模型，使其更接近現實。在此，我們提出一種用於建模高自由度軟性機器人的殘差物理方法。我們訓練神經網路學習一個殘差項，也就是模擬系統與實體系統之間的建模誤差。具體而言，殘差項是施加在整個模擬網格上的力，而真實的位置資料只以稀疏的運動標記點蒐集。解析模擬的物理先驗為殘差網路提供了起點，結合後的模型比從零開始（tabula rasa）學習物理更具資訊量。我們在 1) 一根矽膠彈性體樑與 2) 一支帶有難以建模、具異向性纖維補強的軟性氣動手臂上展示了我們的方法。我們的方法比傳統系統識別最多改善 60%。我們證明，殘差物理不必侷限於低自由度，而能有效縮小高維系統的模擬到現實落差。

連結

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